Категорія: Великі Дані та Аналітика

Amazon OpenSearch Serverless – це повністю керована служба пошуку та аналітики, яка автоматично забезпечує інфраструктуру та масштаби інфраструктури, щоб допомогти вам запустити робочі навантаження на пошук та аналітику без управління кластерами. За допомогою OpenSearch Serverless ви можете швидко створити можливості пошуку та аналітики у свої програми.

Оскільки організації масштабують їх використання без серверів OpenSearch, розуміння архітектури мережі та управління DNS стає все більш важливим. Спираючись на шаблони підключення, обговорені в наших попередніх шаблонах підключення до мережі для Amazon OpenSearch Serverless, ця публікація охоплює розширені сценарії розгортання, орієнтовані на централізовані та розподілені шаблони доступу-конкретно, як підприємства можуть спростити мережеві підключення до декількох облікових записів AWS та розширити доступ до середовища у виробництві для їхніх бездоганних розгортання.

Ми окреслюємо дві ключові схеми розгортання:

• Візерунок 1 – Централізована модель кінцевої точки, де інтерфейс Virtual Private Cloud (VPC) Кінцеві точки для OpenSearch Server без сервера розгорнуті в спільних службах VPC, що дозволяє говорити VPC з інших облікових записів AWS та в приміщеннях для доступу до колекцій без Server Server через ці консолідовані кінцеві точки.
• Візерунок 2 -Розподілена модель кінцевої точки, де інтерфейс VPC кінцевих точок створюється в окремих VPC, що розмовляють, з кількома споживачами (центральний рахунок, локальні мережі та інші рахунки, що розмовляють), які отримують доступ до цих кінцевих точок через централізоване управління DNS. Цей підхід забезпечує пряме зв’язок у кожному розмові VPC, зберігаючи централізований контроль та управління DNS у всій організації.

Перш ніж зануритися в розширені шаблони розгортання, давайте переглянемо поведінку DNS OpenSearch Server без доступу через інтерфейс VPC Endpoint (AWS PrivateLink). Розуміння цього основоположного аспекту може допомогти уточнити моделі зв’язку, які ми досліджуємо в цій публікації.

Роздільна здатність DNS DNS без сервера без сервера

Під час створення інтерфейсу без сервера OpenSearch без сервера VPC, послуга автоматично забезпечує три приватні розміщені зони: одна видима приватна зона розміщення us-east-1.aoss.amazonaws.com Це обробляє роздільну здатність домену для колекції та приладної панелі без серверів OpenSearch, ще одна видима приватна зона розміщення us-east-1.opensearch.amazonaws.com Це керує роздільною здатністю для інтерфейсу OpenSearch (інформаційні панелі OpenSearch) та одна прихована внутрішня приватна зона, яка керує остаточною роздільною здатністю DNS на приватні IP -адреси.

Наша мета в цій публікації – вивчити, як дві приватні зони розміщення для OpenSearch без сервера працюють разом: видима приватна зона розміщення us-east-1.aoss.amazonaws.com Для колекцій та інформаційних панелей та прихованої приватної розміщення зони для остаточного вирішення DNS до приватних IP -адрес. Ми вивчаємо, як ці приватні зонів, що розміщуються, дозволяють масштабовану роздільну здатність DNS як в централізованих, так і в розподілених архітектурах. Наступна схема робочого процесу показує потік роздільної здатності DNS для us-east-1 Регіон AWS. Така ж модель стосується інших регіонів, при цьому регіонні ідентифікатори в записах DNS змінюються відповідно.

Робочий процес складається з наступних кроків:

1. Користувач запитує доступ до URL -адреси колекції (наприклад, abc.us-east-1.aoss.amazonaws.com.).
2. Запит DNS надсилається на Resolver Amazon Route 53, який перевіряє видимій приватній зоні розміщення us-east-1.aoss.amazonaws.com і знаходить запис CNAME, що вказує на домен, що стосується кінцевої точки.
3. Route 53 Resolver використовує приховану внутрішню приватну зону, що розміщується для вирішення цього домену, що стосується кінцевої точки, до приватної IP-адреси VPC Endpoint.
4. Трафік дозволений лише в тому випадку, якщо він походить від кінцевої точки VPC інтерфейсу, затвердженої мережевими політиками без серверів.

Хоча цей процес роздільної здатності DNS забезпечує гнучкий та безпечний приватний доступ, він стає складним, коли вам потрібна підключення від декількох VPC, різних облікових записів AWS або локальних мереж. Наступні закономірності стосуються цих викликів та окреслення стратегій для спрощення доступу до мережі та управління DNS для OpenSearch Server Wless у таких середовищах.

Шаблон 1: Централізований інтерфейс VPC Endpoint для OpenSearch Serverless

Ця схема використовує централізований підхід, де акаунт AWS спільного сервісу з спільними службами VPC розміщує інтерфейс VPC Endpoint VPC та колекцію без серверів OpenSearch без сервера. Звідти інші облікові записи AWS з Amazon VPC (Spoke VPC) повинні мати можливість отримати доступ до колекцій без серверів OpenSearch через цю центральну кінцеву точку. Організації зазвичай впроваджують цю установку в дизайні мережі Hub-Spoke, які з'єднують їх VPC, використовуючи або AWS Transit Gateway, або AWS Cloud Wan. Наступна схема ілюструє цю архітектуру.

Оскаржувати

Під час доступу до локальних мереж, як мережевий доступ, так і роздільна здатність DNS для інтерфейсу без сервера OpenSearch без сервера, що працює в успішному режимі VPC. Однак, хоча кінцева точка доступна в мережі від VPC, що розмовляють (наприклад, через транзитний шлюз або AWS Cloud Wan), роздільна здатність DNS з цих VPC не вдається.

Це трапляється тому us-east-1.aoss.amazonaws.com Це пов'язано лише з VPC, що містить кінцеву точку, в цьому випадку спільні послуги VPC. Просто ділитися цією приватною розміщеною зоною з VPC Spoke VPC не вирішує проблему, тому privatelink.c0X.sgw.iad.prod.aoss.searchservices.aws.dev. Цю назву DNS не можна вирішити з інших VPC без додаткової конфігурації, оскільки воно належить до приватної розміщеної зони privatelink.c0X.sgw.iad.prod.aoss.searchservices.aws.dev Це пов'язано лише з спільними послугами VPC. Ця приватна розміщена зона не видно у вашому обліковому записі і контролюється AWS.

Рішення: Використовуйте профілі Amazon Route 53 для роздільної здатності DNS Cross-VPC

Щоб увімкнути централізовану роздільну здатність DNS, ви можете використовувати профілі Amazon Route 53. За допомогою профілів Route 53 ви можете керувати та застосовувати конфігурації Amazon Route 53, пов'язані з DNS, у декількох облікових записах VPC та AWS. Наступна схема ілюструє архітектуру рішення.

Рішення складається з наступних кроків:

1. Створіть кінцеву точку VPC без сервера OpenSearch без серверів у спільних службах VPC. Це автоматично створює та асоціює наступне:
   • 1. Дві приватні зони за замовчуванням.
     2. Одна прихована приватна зона, що розміщується з цим VPC.
2. Створіть профіль маршруту 53 в обліковому записі спільних служб.
3. Асофігуруйте інтерфейс VPC Endpoint для OpenSearch Server без профілю Route 53.
   1. Профіль Route 53 автоматично асоціює приховану приватну зону розміщення з профілем.
4. Асоціюйте приватну приймальну зону us-east-1.aoss.amazonaws.com Це було автоматично створено OpenSearch Server без профілю Route 53.
5. Поділіться профілем маршруту 53 з іншими обліковими записами AWS у вашій організації за допомогою Manager Access Access Access Access (AWS RAM).
6. Об'єднайте VPC, що розмовляють (розташовані в різних облікових записах) з профілем маршруту 53.

Якщо у вас є існуючий профіль маршруту 53 у вашому обліковому записі спільних служб, який вже пов'язаний з розмовою VPC, ви можете просто пов’язати кінцеву точку VPC без серверів OpenSearch та приватну зону розміщення us-east-1.aoss.amazonaws.com до цього профілю.

Після завершення цих кроків роздільна здатність DNS для колекції без серверів OpenSearch та кінцеві точки приладної панелі безперешкодно працює з VPC, пов'язаних з профілем маршруту 53. Клієнти, що розмовляють VPC, можуть вирішити та отримувати доступ до колекцій без серверів OpenSearch без серверів через централізовану кінцеву точку VPC.

Шаблон 2: Розширений інтерфейс VPC Endpoint для OpenSearch Serverless

Кожен розмовляв VPC, що проживає у відповідному обліковому записі AWS, розміщує власну колекцію без серверів OpenSearch та інтерфейс VPC Endpoint. Тепер ми хочемо досягти наступного:

• Централізуйте управління DNS у спільних послугах VPC для надання послідовної роздільної здатності для колекцій без серверів OpenSearch, розгорнутого в декількох облікових записах
• Забезпечте локальні ресурси з можливістю роздільної здатності DNS для всіх колекцій без серверів OpenSearch по всій організації через вхідну точку Route 53 Resolver у спільних послугах VPC

Наступна схема ілюструє цю архітектуру.

Оскаржувати

Управління роздільною здатністю DNS для колекцій без серверів OpenSearch та інформаційних панелей стає складним у цій розподіленій моделі, оскільки кожна кінцева точка VPC інтерфейсу створює власний набір приватних розміщених зон, які пов'язані лише з відповідними VPC. Це створює роздроблений ландшафт DNS, де спільні послуги VPC та локальні мережі потребують консолідованого способу для вирішення доменів колекцій без серверів OpenSearch та інформаційних панелей на кількох облікових записах.

Рішення: Використовуйте самостійно керовану зону приватного розміщення у спільних послугах VPC для RE-PREM DNS

Щоб увімкнути централізовану роздільну здатність DNS для розподілених кінцевих точок, створіть самостійно керовану приватну зону розміщення в обліковому записі спільних послуг та пов’язати її з VPC спільними послугами. У цій приватній зоні розміщення ви можете створити записи CNAME, які відображають кожну кінцеву точку колекції без серверів OpenSearch на відповідний інтерфейс VPC Endpoint DNS в облікових записах. Наступна схема ілюструє цю архітектуру.

Реалізація складається з наступних кроків:

1. Створіть самостійно керовану приватну зону розміщення в обліковому записі спільних послуг із доменним іменем us-east-1.aoss.amazonaws.com і пов'язуйте його з спільними послугами VPC. Для кожної колекції без серверів OpenSearch створіть запис CNAME, який вказує на регіональну назву DNS відповідної кінцевої точки VPC інтерфейсу.

Ця конфігурація дозволяє як локальні ресурси, так і ресурси в спільних сервісах VPC для вирішення кінцевих точок без серверів OpenSearch, які знаходяться в облікових записах.

Після завершення цих кроків кожен інтерфейс VPC без сервера OpenSearch залишається в межах свого початкового облікового запису AWS, підтримуючи межі безпеки та автономію на рівні облікових записів. Локальні системи можуть отримати доступ до колекцій без серверів OpenSearch без серверів, використовуючи оригінальні імена колекції DNS (наприклад, {collection-name}.us-east-1.aoss.amazonaws.com) через резолюцію DNS, що надається приватною розміщеною зоною у спільних послугах VPC.

Висновок

Оскільки організації масштабують своє прийняття без серверів OpenSearch, встановлення безпечного та централізованого доступу до мережі стає все більш важливим. У цій публікації ми дослідили дві архітектурні зразки, спеціально навколо управління DNS:

• Централізована модель кінцевої точки – Ця шаблон ідеально підходить, коли акаунт спільних служб керує інтерфейсом без серверів OpenSearch без серверів VPC, що дозволяє декілька облікових записів для доступу до OpenSearch без серверів та інформаційних панелей через централізований набір мережевих ресурсів.
• Розподілена модель кінцевої точки з централізованою DNS – Ця закономірність підходить для організацій, які потребують самостійності на рівні облікових записів, де кожен обліковий запис AWS управляє власним інтерфейсом без серверів OpenSearch без серверів VPC, тоді як DNS-роздільна здатність централізується за допомогою спільної приватної зони, що займається приватним розміщенням у акаунті спільних послуг.

Розуміючи архітектуру DNS OpenSearch Server без серверів та використовуючи такі послуги, як маршрут 53 профілі та оперативна пам’ять AWS, організації можуть створити безпечні та надійні схеми доступу, які відповідають їх організаційній структурі та потребам.

---

Про авторів

Анкуш Гоял – це підтримка підприємства в підтримці AWS Enterprise, яка допомагає клієнтам впорядкувати свої хмарні операції на AWS. Він є професіоналом, орієнтованим на результати, який має понад 20 років досвіду.

Anvesh Koganti є архітектором Solutions в AWS, що спеціалізується на мережах. Він зосереджується на тому, щоб допомогти клієнтам будувати мережеві архітектури для широко масштабованих та стійких середовищ AWS. Поза межами роботи Anvesh захоплюється технологіями споживачів і любить слухати подкасти на технологіях та бізнесі. Відключуючись від цифрового світу, Anvesh проводить час на свіжому повітрі та на велосипеді.

Салман Ахмед є старшим менеджером технічного облікового запису в підтримці AWS Enterprise. Він спеціалізується на керівництві клієнтів за допомогою дизайну, впровадження та підтримки AWS Solutions. Поєднуючи свою мережеву експертизу з прагненням досліджувати нові технології, він допомагає організаціям успішно орієнтуватися на свою хмарну подорож. Поза межами роботи він насолоджується фотографією, подорожуючи та спостерігаючи за своїми улюбленими спортивними командами.

В епоху де Штучний інтелект (AI) переробляє те, як університети проводять дослідження та взаємодіють з інформацією, професіоналам бібліотеки знадобляться навички для ефективного залучення до цього нового ландшафту.

Тут я досліджую, як генеративні технології AI (Genai) можуть використовуватися для вдосконалення бібліотечних послуг, підтримки дослідників, адаптації до нових методологів та формування майбутнього інструкції інформаційної грамотності.

Розуміння подвійної ролі ШІ в дослідженні

AI є Трансформація досліджень Два основними способами: як предмет дослідження та як інструмент, інтегрований у дослідницькі робочі процеси. З одного боку, AI продовжує розвиватися як академічна сфера, з дослідниками з комп'ютерних та даних та пов'язаних з ними дисциплін, що просувають машинне навчання та обробку природної мови. Тим часом викладачі та студенти у всіх галузях починають покладатися на інструменти, що працюють на AI, такі як Chatgpt та Microsoft Copilot-для завдань, які традиційно були часовими та трудомісткими.

Ці інструменти AI вже впорядковуються Огляди літератури Підсумовуючи статті та визначивши ключові теми, сприяючи очищенню та аналізі даних, генеруванні коду та навіть підтримуючи ранні етапи письма та ідеї. Коли ці інструменти вбудовуються в дослідницькі процеси, бібліотекарі повинні розвивати навички оцінювання, викладання та керування їх використанням відповідально.

Цей зсув має практичні наслідки для бібліотечних ролей, які поєднують дослідницьку підтримку та інструкцію. Бібліотекарі все частіше закликають спільно розвивати майстер-класи AI ГрамотністьЗапропонуйте консультації один на один з вибору інструментів та етичного використання та сприяти розробці навчальних програм, що включає критичну обізнаність про ШІ. Спеціальні фахівці та бібліотекарі цифрових стипендій, зокрема, стають фасилітаторами інтеграції ШІ – допомагають користувачам зрозуміти можливості, обмеження та упередження інструментів AI, сприяючи академічній цілісності.

Беручи на себе ці нові обов'язки, бібліотекарі гарантують, що їхні установи займаються AI не лише як новинка, а як потужний, складний компонент наукової практики.

Побудова грамотності AI серед бібліотекарів та дослідників

Посилення грамотності AI – це не лише залишатися в курсі; Йдеться про розширення можливостей співробітників та спільноти бібліотеки, щоб використовувати ці інструменти продумано та ефективно. В той час як багато бібліотекарів вже приносять міцну основу в цифрових інструментах та критичне мисленняАдаптація до ШІ означає вивчення нової мови – таку, яка поєднує технології, етику та послугу.

Для підтримки цього зростання, наша бібліотека стратегій AI стратегій курирує освітні ресурси, оцінює нові інструменти та проводить практичні семінари, розроблені для побудови як технічної, так і концептуальної вільної вільності. Це виходить за рамки швидкої інженерії, хоча навчитися чітко стратегічно стратегічними питаннями для таких інструментів, як Chatgpt, є важливим навиком. Це також передбачає розуміння того, як працюють моделі AI, визнання їх обмежень, навігацію проблем упередженості та авторства та знаючи, коли не використовувати ШІ.

Отримавши ці знання, бібліотекарі краще позиціонують для керівництва студентами та викладачами, які звертаються до бібліотеки з питаннями щодо використання AI у власній роботі. Йдеться про зустріч з людьми, де вони є, чи це означає демістифікацію технології, вирішення етичних проблем чи допомоги вдосконалити підказку досліджень.

Ми також вивчаємо, як AI може підтримувати бібліотечні операції, такі як оцифрування та опис архівних колекцій. AI може прискорити процеси, такі як генерація метаданих, але це не замінює людське судження. Наші бібліотекарі розробляють досвід для критичної оцінки результатів, що генеруються AI, щоб забезпечити точність та зберегти цілісність цифрових колекцій.

Як і у всіх інноваціях, наш підхід керується цінностями, які визначають бібліотекарство: доступ, включення та глибоке зобов'язання до поінформованого використання.

Роль бібліотек у етичному використанні ШІ

У міру того, як вміст, що генерується AI, стає більш поширеним, так і Занепокоєння щодо дезінформаціїупередженість та конфіденційність даних. Бібліотеки, як давні чемпіони інформаційної грамотності, поширюють цю місію у царину ШІ.

У Virginia Tech бібліотекарі включають грамотність AI у семінари, консультації та навчання в класі. Вони допомагають студентам та викладачам критично оцінювати результати, що генеруються AI, простежують джерела та визначають, коли вміст може бути неповним, упередженим або неточним. Наприклад, під час дослідницьких консультацій бібліотекарі можуть проходити меценатів через те, як інструмент Genai будує свої відповіді, підкреслюючи, що ці результати не витягуються з кураторної бази даних, а генеруються на основі шаблонів у великих наборах даних.

AI як партнер з спільного дослідження

AI не замінює людських дослідників; Швидше, це стає потужним співробітником. Для полегшення цього переходу бібліотеки можуть направляти студентів та викладачів щодо інтеграції ШІ у свої науково -дослідні процеси. Сюди входить:

• Використання AI для оглядів літератури: AI може сканувати величезні бази даних для виявлення відповідних робіт, заощаджуючи дослідники значного часу
• Використання AI для аналізу даних та візуалізації: Інструменти AI можуть обробляти великі набори даних, визначати закономірності та генерувати розуміння, які можуть зайняти людину набагато довше, щоб розкрити.
• Використання AI для створення та узагальнення вмісту: AI може допомогти проектувати звіти, узагальнити висновки та навіть генерувати гіпотези для подальшого дослідження.

Проводячи навчання цих додатків, бібліотеки гарантують, що AI служить активом, а не перешкодою для суворих академічних досліджень.

Підготовка бібліотек до майбутнього ШІ

Ми вважаємо, що бібліотекам потрібно розвиватись поряд із просуванням AI. Це вимагає використання професійного розвитку, інвестування в бібліотечні системи, керовані AI, стратегічно інтегруючи ШІ в послуги та створюючи пропозиції з підтримкою AI у співпраці з комп'ютерними вченими, педагогами та політиками.

Завдяки цим зусиллям ми закладаємо основу для майбутнього, де бібліотекарі – це не лише експерти з питань інформації, але й важливі фасилітатори та навігатори. Подаючи на грамотність AI, виступаючи за етичне використання AI та оснащення дослідників важливими навичками та стратегіями відбору, бібліотеки можуть залишатися на передньому плані розповсюдження знань у цифрову епоху.

Іньлін Чен – доцент університетських бібліотек та помічник директора Центру цифрових досліджень та стипендій у Virginia Tech.

Якщо ви хочете поради та розуміння вчених та співробітників університету щотижня доставляються безпосередньо у вашу поштову скриньку, Підпишіться на бюлетень кампусу.

Центри даних про штучний інтелект (AI)-це процвітаюча галузь. Простір AI з енергією зробив ядерну енергію однією з найгарячіших галузей на Уолл-стріт за останній рік. На цьому етапі інвестори повинні зосередитись на виробниках ядерної енергії або виробниками обладнання або вхідними постачальниками.

У грудні 2024 року Міністерство енергетики США повідомило, що використання енергетики центру обробки даних “вдвічі або потрійне до 2028 року” після подвоєння за останнє десятиліття. 23 травня президент Дональд Трамп підписав чотири виконавчі накази про розгортання нових ядерних реакторів та зміцнення ланцюга поставок.

Ці накази мають на меті збільшити ядерну потужність ядерної енергії США з 100 гігаватт (GW) до 400 ГВт до 2050 року. Окрім заохочення будівництва реакторів, близьких до військових установок, та центрів обробки даних на основі ШІ, які потребують величезної кількості сил для виконання, виконавчі замовлення надають пріоритет побутовому постачанню урану.

На цьому етапі ми рекомендуємо уважно спостерігати за п’ятьма акціями, орієнтованими на ядерну енергію, які зросли за останній місяць і, як очікується, забезпечать міцну віддачу в довгостроковій перспективі. Кожне занурення в ці акції має бути хорошою можливістю покупки з довгострокової точки зору.

Ці акції: Сузір'я Енергетичний корпус. Нога, Перевірений корпорація. VST, Mirion Technologies Inc. Mir, BWX Technologies Inc. Bwxt і Cameco Corp. CCJ.

На діаграмі нижче показані цінові показники п'яти вищезгаданих акцій за останній місяць.

Джерело зображення: Zacks Investment Research

Сузір'я Енергія – це провідна енергетична компанія в Сполучених Штатах зі значною поштовхом до чистої енергії, особливо ядерної енергії. Стратегічні капітальні витрати CEG в 5,1 мільярда доларів до 2025 року повинні допомогти придбати ядерне паливо та підвищити рівень запасів. CEG має на меті усунути 100% викидів парникових газів, використовуючи інноваційні технології.

Сузір'я Енергія – це лідер галузі в експлуатації, ефективно та надійно та надійно. Його придбання 44% власності NRG Energy в електричній станції Generating Project Project South Texas додало 2645 МВт, атомний завод з подвійним одиницею до свого портфеля. Цей завод розташований приблизно в 90 милях на південний захід від Х'юстона і повинен додатково допомогти CEG розширити операції в Техасі.

Наприкінці 2024 року Microsoft уклала 20-річну угоду з CEG про відродження ядерної установки на три милі в Пенсильванії. Інвестиція на 1,6 мільярда доларів має на меті перезапустити реактор, який був спокійним з 2019 року, щоб забезпечити електроенергію без вуглецю для розширюваних центрів обробки даних Microsoft. CEG розраховує збільшити ядерну продукцію на 160 МВт у Байроні та Брейдвуду, інвестиції в 800 мільйонів доларів до 2029 року за необхідні заміни турбін низького тиску.

Нещодавно Meta платформи підписали 20-річну енергетичну угоду з CEG для постачання ядерної енергетики до зростаючих центрів обробки даних AI в Іллінойсі. Починаючи з 2027 року, ця угода забезпечить постійне постачання чистої енергії. Це допоможе META збільшити свої операції AI та скоротити викиди вуглецю. В даний час CEG має Zacks Rank №3 (утримувати).

Сузір'я енергія має очікуваний дохід та темпи зростання прибутку -0,3% та 8,8% відповідно за поточний рік. За останні 60 днів оцінка консенсусу Zacks для прибутку в поточному році покращила 0,4%.

VITRA працює як інтегрована роздрібна компанія з електроенергії та виробництва електроенергії. VST має диверсифікований портфель виробництва чистої енергії, що включає ядерні активи. VST добре обладнаний для розширення або модернізації своїх ядерних операцій ефективніше та економічно ефективно.

Скорочені терміни затвердження ядерної комісії можуть швидко відстежувати проекти, які колись зіткнулися з роками затримок, забезпечуючи Вістра стратегічну перевагу в наданні надійної чистої електроенергії від його ядерної електростанції клієнтам.

Вістра може отримати користь від державних контрактів або державно-приватних партнерств, пов'язаних з цими ініціативами, тим більше, що інфраструктура та надійність сітки стають національними пріоритетами. План VST інвестувати у свій ядерний флот, і нова виконавча влада синхронізується з її довгостроковими цілями.

VST, з існуючими ядерними активами та сильною присутністю на ринках електроенергії з високим ростом, добре розташований для зйомки довгострокового догори від цього агресивного ядерного поштовху, як з точки зору зростання заробітку, так і стратегічної актуальності в переході чистої енергії. В даний час VST має Zacks Rank №3.

У поточному році VITTRA має очікуваний темп зростання доходу та прибутку на 34% та -15,4%. За останні сім днів оцінка консенсусу Zacks для прибутку в поточному році покращила 0,2%.

Technologies Mirion забезпечує радіаційне виявлення, вимірювання, аналіз та моніторинг продуктів та послуг у Північній Америці, Європі та Азіатсько -Тихоокеанському регіоні. Він працює у двох сегментах, медичних та ядерних та безпеках.

Група Nuclear & Safety MiR забезпечує технології радіаційної безпеки, які є критичними для експлуатаційних ядерних споруд, НДДКР, ядерних реакторів наступного покоління та за її межами. Ядерно-орієнтовані технології Мір є важливими протягом усього життєвого циклу ядерної енергії. Багато рішень MIR також є обов'язковими для клієнтів у високорегульованих галузях, таких як ядерна енергія.

Mirion прагне розширювати свій доступ до наступного покоління ядерної енергії, працюючи з невеликими розробниками модульного реактора (SMR), щоб “вирішити основні проблеми ядерного вимірювання, безпеки та безпеки”. В даний час MIR має ранг Zacks №2 (купуйте). Ви можете бачити Повний список сьогоднішніх акцій Zacks №1 (сильна покупка) тут.

MIRION Technologies має очікуваний темп доходу та прибутку на 5,3% та 14,6% відповідно за поточний рік. Оцінка консенсусу Zacks для прибутку в поточному році покращила 2,2% за останні 60 днів.

Zacks Ранг №3 BWX Technologies виробляє та продає ядерні компоненти в США, Канаді та за кордоном. BWXT працює через два сегменти, державні операції та комерційні операції.

BWXT надає компоненти та послуги з точністю виробництва та послуги комерційній промисловості ядерної енергетики. BWXT пропонує технічні, управлінські та сайти для урядів у складних закладах та діяльності з реконструкції навколишнього середовища.

BWXT розширює свій комерційний сегмент потужності та набирає землю на передовій краю невеликих модульних та мікро -ядерних реакторів. BWXT працює разом з урядом США та іншими передовими компаніями з ядерної енергетики.

BWXT здійснив угоди та партнерські стосунки з Міністерством оборони США, щоб допомогти побудувати передовий мікроядерний реактор. Він також працює разом з ключовими комерційними компаніями з ядерної енергетики, такими як GE Vernova та SMR Terrapower.

Більш високий обсяг виробництва ядерних компонентів для урядових програм США, а також зростання в розробці та інженерних робіт, виконаних компанією Advanced Technologies Business, особливо на ринку оборони, ймовірно, в майбутньому підсилює першу лінію BWXT.

Компанія BWX Technologies має очікуваний темп зростання доходу та прибутку на 12,9% та 6,6% відповідно за поточний рік. Оцінка консенсусу Zacks щодо прибутку в поточному році покращила 1,1% за останні 30 днів.

Cameco – один з найбільших світових виробників урану, значний постачальник послуг конверсії та один з двох виробників палива Candu в Канаді. Уранові продукти CCJ використовуються для отримання чистої електроенергії в атомних електростанціях у всьому світі. CCJ також досліджує урану в Америці, Австралії та Азії.

CCJ працює через три сегменти: уран, послуги палива та Вестінгхаус. Сегмент урану бере участь у розвідці, видобутку, фрезер, купівлі та продажу концентрату урану.

CCJ також надає відключення та технічне обслуговування, інженерну підтримку, обладнання для приладів та управління та послуги з модифікації заводів, а також компоненти та деталі до ядерних реакторів. В даний час CCJ має ранг Zacks №3.

У поточному році Cameco має очікуваний темп зростання доходу та прибутку на 7,5% та 91,8%. Оцінка консенсусу Zacks щодо прибутку в поточному році покращила 1,1% за останні 30 днів.

Хочете останні рекомендації від інвестиційних досліджень Zacks? Сьогодні ви можете завантажити 7 найкращих запасів на наступні 30 днів. Клацніть, щоб отримати цей безкоштовний звіт

Mirion Technologies, Inc. (MIR): Звіт про аналіз вільних запасів

Constellation Energy Corporation (CEG): Звіт про аналіз вільних запасів

Cameco Corporation (CCJ): Звіт про аналіз безкоштовних акцій

BWX Technologies, Inc. (BWXT): Звіт про аналіз вільних запасів

VITRA CORP. (VST): Звіт про аналіз безкоштовного запасу

Ця стаття спочатку опублікована на Zacks Investment Research (Zacks.com).

Zacks Investment Research

Психічне здоров'я є наріжним каменем загального добробуту, оскільки воно глибоко впливає на когнітивні процеси, емоційну регуляцію та поведінкові структури (ВООЗ, 2022; Moitra et al., 2023). Раннє виявлення та своєчасний доступ до професійної підтримки широко визнані ключовими при пом'якшенні тяжкості та тривалості проблем з психічним здоров’ям та запобігання криз (McGorry and Mei, 2018). Однак системні бар'єри, включаючи обмежені ресурси, трудомісткі оцінки, суспільну стигму та бар'єри для доступу, часто затримуються у забезпеченні своєчасної підтримки (Clement et al., 2015; Macdonald et al., 2021; Huff et al., 2024). Цей розрив особливо стосується потенціалу необробленого психологічного лиха суттєво впливати на життя людей (Walker et al., 2015; De Medina-Moragas et al., 2024).

Одночасно, соціальні медіа стали всюдисущими просторами для самовираження (Statista, 2024), а люди, які відчувають психологічні страждання, все більше використовують ці платформи для поділу свого особистого досвіду та отримують підтримку (Lal et al., 2016; Ahmed et al., 2019; Bucci et al., 2019; Naslund et al., 2020). Платформи, такі як Reddit та Twitter, які пропонують анонімність та можливість швидкого розповсюдження, спонукають людей висловити широкий спектр психологічних проблем – від тривоги та депресії до суїцидальної ідеї (Sit et al., 2024). Це цифрове розкриття пропонує унікальну можливість розробити інноваційні підходи до нагляду за психічним здоров’ям, виявлення людей з ризиком та потенційно надання негайної підтримки для запобігання ескалації (Chanceller and De Choudhury, 2020; Parapar et al., 2023). Однак ручний моніторинг даних в Інтернеті залишається недоцільним, враховуючи вибухонебезпечні кількості публікацій соціальних медіа та залучених мовних складностей, що потребує розвитку більш складних підходів.

Успіхи штучного інтелекту (AI), зокрема, обробка природної мови (NLP), пропонує перспективні рішення (Graham et al., 2019; Le Glaz et al., 2021; Garg, 2023; Dakanalis et al., 2024; Montejo-Ráez et al. Виявлення здоров'я (Burdisso et al., 2019; Kim et al., 2021; Ahmed et al., 2022; Owen et al., 2024; Atmakuru et al., 2024). У межах цього пейзажу, що розвивається, попередньо мовні моделі (PLMS), особливо великі мовні моделі (LLM), стали значними досягненнями в НЛП (Liu, 2019; Naveed et al., 2024). Ці моделі керуються архітектурою трансформаторів (Vaswani et al., 2017), ці моделі представляють особливо перспективну, але все ще експериментальну проспект завдань психічного здоров'я (Devlin et al., 2018; Guo et al., 2024; Omar et al., 2024; Volkmer et al., 2024). Подальші розробки в генеративних мовних моделях (GLMS), таких як серії GPT, розроблені OpenAI (Radford et al., 2018), мають подальше революцію NLP (Brown et al., 2020; Liu et al., 2023; Zhao et al., 2023; Bommarito et al., 2023; Zhou et al., 2024). GLMS, підмножина LLMS, використовує нейронні мережі, що містять мільярди параметрів, підготовлені на величезні кількості не маркованих текстових даних, використовуючи підхід до самоконтролю навчання, здатний генерувати вміст, який є узгодженим та актуальним для ситуації (Kaylan, 2023). Деякі найсучасніші розмовні агенти, такі як Chatgpt-4o (OpenAi, 2024), Claude 3,5 Sonnet (Antropic, 2024), Gemini 1.5. Pro (Google AI, 2024) відображає ці досягнення. Їх можливості з нульовим помахом дозволяють виконати завдання без явної підготовки, пропонуючи безпрецедентну гнучкість для реальних застосувань (Kojima et al., 2023; Omar and Levkovich, 2024).

Недавні дослідження досліджували потенціал LLMS в оцінці різних психологічних характеристик користувачів. Зокрема, LLM були використані для виведення різноманітних психологічних диспозицій, включаючи статус психічного здоров’я (наприклад, DOS Santos & Paraboni, 2025; Xu et al., 2024) та особистісні риси (наприклад, Петерс і Матц, 2024), а також причетність до звикання в звиканнях, таких як ризиковане вживання алкоголю (Eg, Marengo et al., 2025). У межах цього більш широкого обсягу дослідження показали перспективні результати виявлення специфічних станів психічного здоров'я, таких як депресія, тривожність та виявлення ризику самогубств (Lamichhane et al., 2023; Yang et al., 2023; Bao et al., 2024; Ohse et al., 2024; Lan et al., 2024). У цих дослідженнях здебільшого використовували навчання з нульовим ударом з простими оперативними техніками інженерії (Priyadarshana et al., 2024). Використовуючи різні вхідні дані, такі як клінічні віньєтки, інші дослідження досліджували порівняльну ефективність LLMS та професіоналів у оцінці психічного здоров'я та завдання прогнозування результатів (Kim et al., 2024; Pugh et al., 2024, Elyoseph et al., 2024; Elyoseph and Levkovich, 2024). Однак дослідження переважно зосереджені на виявленні конкретних умов психічного здоров'я з соціальних медіа (наприклад, аналізу даних соціальних медіа, які вже проявляють конкретні симптоматичні риси), а не на оцінці глобальної актуальності втручання. Крім того, більшість існуючих моделей проходили навчання за даними англомовної мови, обмежуючи їх застосовність у різноманітних мовних та культурних контекстах.

У цьому дослідженні розглядаються ці прогалини, що досліджують можливість розмовних агентів на основі LLM для оцінки терміновості втручання, виражених у публікаціях соціальних медіа, обговорюючи широкі психологічні чи емоційні проблеми. Ми зосереджуємо наше розслідування на наборі даних користувачів від Reddit, широко використовуваної платформи соціальних медіа з приблизно 1,2 мільярда глобальних користувачів у січні 2024 року (Semrush, 2024). Анонімність Реддіта та полегшення поглиблених дискусій у конкретних громадах (Subreddits) створюють унікальне середовище для всебічних досліджень психічного здоров'я (Profers et al., 2021). Subreddits забезпечує цілеспрямоване обговорення на різні теми, включаючи значну кількість, пов’язану з психічним здоров’ям, наприклад, R/PrictHealth, R/Depression. Зокрема, ми використовуємо набір даних, що включає італійсько-мову. Наш підхід пропонує нюансове дослідження потенціалу LLMS оцінити психологічні страждання в умовах всебічного спектру емоційних переживань в італійському контексті.

Основне дослідницьке питання, яке керує цим дослідженням: наскільки точно та послідовно LLMS оцінюють терміновість втручання, необхідної для публікацій у соціальних мережах, що виражають психологічні страждання, порівняно з навченими клініцистами, і чим відрізняються результати LLMS? Для вирішення цього питання ми розробили комплексний протокол триажного протоколу, натхненний шкалою тріади психічного здоров’я (MHTS; Sands et al., 2016), клінічним інструментом, призначеним для керівництва прийняттям рішень у службах скринінгу психіатрії Великобританії. Щоб оцінити продуктивність LLM в цьому тріадному завданні, ми використаємо три найсучасніші моделі: Chatgpt-4o, Claude 3.5 Sonnet та Gemini 1.5 Pro. Порівняння продуктивності декількох LLM може забезпечити більш всебічне розуміння поточних можливостей ШІ в завданнях психічного здоров'я. Крім того, це може виявити конкретні сильні та слабкі сторони кожної моделі стосовно нюансів мови психічного здоров'я та інформувати про вибір найбільш підходящої моделі для реальних застосувань. Це дасть уявлення про доцільність та потенціал використання LLM для ефективного триаподіння та ефективного призначення психологічної підтримки.

Це дослідження застосовує дослідницький підхід для встановлення життєздатності цих моделей у новій області додатків, з потенціалом для подальших тонких налаштувань або альтернативних методологій, що залежать від перспективних попередніх висновків. Принципово, що дослідження оцінить продуктивність моделей у сценаріях нульового пошкодження, імітуючи умови в реальному світі з обмеженими маркованими даними та надаючи уявлення про неявні (“позашляхові”) знання, закодовані в цих LLMS. Прийняття нульового підходу також мотивується дефіцитом відповідних наборів даних для тонкої настройки LLM у цільовому домені, як італійською, так і іншими мовами.

Незважаючи на те, що витрачають понад 1 трлн дол.

“Вони просто не там. Дані масові. З ними важко працювати. Ми витрачали місяці на прибирання даних. Один з моїх колег зробив це, як це було на повний робочий день протягом тривалого періоду часу, перш ніж ми могли навіть проаналізувати дані, так що це потрібно переглянути, перш ніж вони виконують будь -яку іншу роботу з даними”, – сказав Сето Багдоян, директор судово -медичного аудиту та розслідувальні служби уряду.

Для покращення раннього виявлення шахрайської діяльності Міністерство оборони потрібно спочатку визначити пріоритетність створення своїх можливостей для аналітики даних, сказав Багдоян. Після того, як ця основа буде на місці, наступним кроком є ​​зосередження уваги на самих даних, що робить його чистими, корисними, надійними та готовими до аналізу, щоб кінцеві результати були діючими.

Багдоян повідомив законодавцям, що Міністерство оборони пообіцяло виконати свою стратегію анти-шахрайства до кінця липня та зробити аналітику даних головним пріоритетом у цьому плані.

“Ми очікуємо оновленої стратегії ризику проти шахрайства пізніше наступного місяця, і ми розуміємо, що DOD зробить аналітику даних явною вимогою до цієї стратегії. Звичайно, це залишається побачити. Ми дамо йому дуже хороший скраб, щоб переконатися, що все, що пропонує DOD,-це відповідати нашій рекомендації”,-сказав Багдоян.

Пентагон затримує оновлення своєї стратегії проти шахрайства п'ять разів протягом семи місяців, повідомляє GAO. Але розробка стратегії – це лише одна з 17 рекомендацій, які Гао зробив у трьох звітах про управління ризиками, випущених з 2019 року. Станом на 2025 рік 13 з цих рекомендацій залишаються без розгляду.

Однак стратегія з вимогою до аналітики даних недостатньо – департаменту потрібно ретельно оцінити ризик шахрайства, реагувати на результати, але, що ще важливіше, впровадити зміни, щоб побачити реальні результати.

“Дати мені аркуш паперу, щоб закрити рекомендацію – це початок, але вони повинні вийти на вулицю і оперувати те, що вони зробили. Інакше це не буде працювати”, – сказав Багдоян

Вартова також розширила сферу управління фінансами DOD у списку високих ризиків ГАО, включаючи управління ризиками шахрайства, оскільки Міністерство оборони “не вжило ефективних заходів для розробки надійної програми управління ризиками шахрайства, і його керівництво не продемонструвало сильної прихильності до управління ризиками шахрайства”.

“Був опір лідерства до нашої звітності, до наших рекомендацій щодо призначення високого ризику як частини фінансового управління. Отже, це, здається, пом'якшило з часом, оскільки люди, з якими ми працюємо в DOD, намагаються реалізувати рекомендації, і ми очікуємо, що деякі їх продукти пройдуть пізніше цього місяця та наступного місяця”, – сказав Багдоян.

Багдоян сказав, що дві найпоширеніші схеми, які команда позначила за допомогою своїх аналізів, були помилковими претензіями та перезарядками. Існує також ряд інших схем, включаючи помилкові ставки – Багдоян сказав, що будь -яка аналітика Міністерство оборони вирішить прийняти, повинна бути тактично зосереджена на цих схемах шахрайства. Але, здається, немає єдиного типу шахрайства, який домінує над іншими.

DOD щороку витрачає понад 1 трлн доларів на підтримку військових та його операцій – це майже половина всіх федеральних дискреційних витрат. У фінансовому 2024 році департамент зобов’язав близько 445 мільярдів доларів на договори.

З 2017 по 2024 рік оборона повідомила, що приблизно 10,8 мільярда доларів може бути підтверджено як шахрайство, але не існує оцінки на повній суму щорічно – цифра в розмірі 11 мільярдів доларів «відображає невелику частку» загального впливу шахрайства DOD.

У 2024 році чиновники оборони повідомили ГАО, що вони вважають, що шахрайство в департаменті мінімальне порівняно із загальними витратами, але сторожові та законодавці кажуть, що річний бюджет, що перевищує 1 трлн дол.

Цифра 11 мільярдів доларів відображає всі види шахрайства в Міністерстві оборони, а не лише закупівлями. З цього загалом близько 7 мільярдів доларів стягуваних коштів протягом декількох років спеціально для шахрайства з закупівлями.

“Це два різні набори чисел, плюс для підтвердженого шахрайства ми помітили, що DOD повідомив про ту саму цифру в 2,4 мільярда доларів протягом двох послідовних фіскальних років. Так, що викликає деякі питання щодо надійності того, про що повідомлялося в минулому, OIG ставить під сумнів процес надходження до типів чисел, тому я беруть участь у тому, що вони зафіксували, що знаходяться, що знаходяться за допомогою цього, що знаходяться, що визначають, що використовують прибуток, що застосовують прибуток, що використовується, що використовується, що використовує прибуток. Спочатку розслідували, потім розглянули, тому ми не маємо уявлення про те, що пропускається », – сказав Багдоян.

Келлі Майо, заступник генерального інспектора з розслідувань Управління ДОД Генерального інспектора, заявив лише за шість місяців з жовтня 2024 по березень 2025 року розслідування кримінальної служби кримінальної оборони (DCIS), що є частиною Управління генерального інспектора DOD, призвело до стягнення понад 3 мільярди доларів у долари податків. На сьогоднішній день DCIS проводить 1864 відкритих розслідувань, включаючи 478 випадків шахрайства із закупівлями.

Тим часом Пентагон оголосив це Департамент ефективності уряду були уповноважені Перегляньте більшість некласифікованих контрактів, перш ніж вони звертаються до зовнішнього агентства, як Адміністрація загальних послуг.

На запитання, чи до Дога проконсультувався з генералом інспекторів Офіс, Майо сказав, відповів: “Дож не прийшов до ОГГ в цей момент, ми нікого не бачили”.

Copyright © 2025 Федеральна мережа новин. Усі права захищені. Цей веб -сайт не призначений для користувачів, розташованих в європейській економічній зоні.

Будівництво стає швидшим, розумнішим та більш стійким завдяки новим технологіям, такими як 3D -друк, модульна будівля, робототехніка та прогнозна аналітика. Ці інновації переробляють управління та виконання проектів, перетворюючи будівлі в інтелектуальні, ефективні простори. Для професіоналів та ентузіастів, розуміння цих змін є важливим для того, щоб залишатися попереду в галузі, що швидко розвивається.

Нові будівельні технології

У будівельній галузі технологічні інновації швидко змінюють те, як плануються та виконуються проекти. Від інтелектуального програмного забезпечення до передової машини ці передові інструменти мають вирішальне значення для модернізації процесів, підвищення ефективності та забезпечення стійкості.

Штучний інтелект у управлінні проектами

Штучний інтелект (AI) суттєво трансформує управління проектами в будівництві. Програмне забезпечення AI може передбачити результати проекту, оптимізувати ресурси та покращити прийняття рішень. Наприклад, AI може проаналізувати величезну кількість даних для виявлення потенційних ризиків, що призводить до більш активного управління.

Інструменти, що працюють на AI, такі як віртуальні помічники, також відіграють певну роль у управлінні завданнями та плануванням. Вони можуть впорядкувати спілкування, гарантуючи, що всі знаходяться на одній сторінці, що мінімізує затримки. Крім того, алгоритми машинного навчання пропонують уявлення про оцінку витрат та бюджетування, зменшуючи фінансові невизначеності.

Робототехніка та автоматизація на робочому місці

Робототехніка та автоматизація революціонують операції сайтів завдань за рахунок збільшення швидкості та точності. Безпілотники використовуються для обстеження та моніторингу будівельних майданчиків, що забезпечують дані в режимі реального часу та візуальні уявлення. Це підвищує безпеку та точність.

Автоматизовані машини, такі як кам'яні поля, виконують повторювані завдання з більшою ефективністю, ніж працівники людини. Точні інструменти, такі як металевий токарний верстат, також використовуються при виготовленні поза межами місця, де точне формування компонентів має вирішальне значення. Це зменшує шанси на людські помилки та прискорює терміни проекту. Автономні транспортні засоби також використовуються для транспортування матеріалів, оптимізації логістики та звільнення працівників для більш кваліфікованих завдань.

Удосконалення інформації про будівництво інформації (BIM)

Моделювання інформації про будівництво (BIM) просувається за допомогою складних інструментів, які дозволяють забезпечити всебічне планування проектування та будівництва. Програмне забезпечення BIM сприяє 3D -моделюванні, даючи інтегрований погляд на кожен аспект проекту. Це візуальне уявлення забезпечує всі зацікавлені сторони, що мають згуртоване розуміння.

Додаткові системи BIM забезпечують співпрацю в режимі реального часу, де архітектори, інженери та підрядники можуть одночасно працювати над проектами. Ця співпраця зменшує конфлікти та забезпечує безперебійний робочий процес. Крім того, інструменти BIM підтримують стійке будівництво шляхом імітації використання енергії та визначення можливостей зменшення відходів.

Ці нові технології прокладають шлях до більш ефективної та інноваційної будівельної галузі.

Стійкі та зелені будівельні практики

Стійка конструкція зосереджена на зменшенні впливу на навколишнє середовище за допомогою інноваційних методів. У цьому розділі досліджено, як екологічно чисті матеріали, енергетичне будівництво мережі та інновації з охорони води перетворюють галузь.

Екологічно чисті матеріали та їх переваги

Екологічно чисті матеріали, такі як перероблена сталь та бамбук, пропонують довговічні варіанти, мінімізуючи відходи. Перероблена сталь зменшує викиди та використання енергії у виробництві, що робить її кращою альтернативою традиційній сталі. Бамбук, відомий швидким зростанням, служить сильною та стійкою альтернативою листяних порід.

Вигоди:

• Міцність: Висока стійкість до зносу
• Низький вплив на навколишнє середовище: Менше споживання енергії під час виробництва
• Естетична привабливість: Сучасні, різноманітні варіанти дизайну

Вибираючи ці матеріали, ви сприяєте розробці сталого майбутнього, підтримуючи сили та красу в дизайнах.

Енергетична конструкція з нульовою

Енергетичні будівлі з нульовою нульою виробляють стільки енергії, скільки вони використовують, часто через сонячні батареї та вдосконалені системи управління енергією. Зі зростанням витрат на енергію цей підхід виявляє економічно ефективні та екологічно відповідальні.

Основні особливості:

• Сонячні панелі: Використання відновлюваної енергії від сонця
• Ефективна ізоляція: Зниження втрат тепла та підтримання температур у приміщенні
• Розумне управління енергією: Оптимізація використання енергії за допомогою технології

Для вас прийняття цієї стратегії в будівельних проектах зменшує експлуатаційні витрати та підвищує ефективність будівництва, узгоджуючись із цілями глобальної стійкості.

Інновації з охорони води

Інновації в збереженні води, як, наприклад, збору дощової води та систем переробки сірої води, є важливими для стійкого будівництва. Ці технології значно зменшують відходи від води та підтримують стійке управління водою.

Інноваційні стратегії:

• Збір дощової води: Захоплення та зберігання дощової води для повторного використання
• Переробка сірої води: Обробка та повторне використання води з раковин та душ
• Світлові світильники з низьким потоком: Зменшення використання води в душах та кранах

Інтеграція цих рішень у свої проекти зберігає воду, зменшує експлуатаційні витрати та посилює зусилля щодо стійкості.

Цифрова трансформація в будівництві

Отримання цифрових технологій революціонує, як управляються будівельними проектами. Виділено дві основні тенденції: хмарні інструменти співпраці та прийняття рішень, керованих даними. Ці досягнення підвищують ефективність, точність та спілкування в галузі.

Хмарні інструменти співпраці

Уявіть, що зможете ділитися оновленнями в режимі реального часу та отримати доступ до файлів проектів з будь-якого місця світу. Хмарні інструменти співпраці, такі як Procore та Autodesk Bim 360, роблять це реальністю. Ці платформи дозволяють командам працювати більш ефективно, надаючи централізований доступ до документів, креслення та термінів проекту.

Розбиваючи бар'єри комунікацій, хмарні інструменти дозволяють приймати важливі рішення швидше і з упевненістю. Основні функції часто включають управління завданнями, контроль версії та безшовну інтеграцію з іншими програмними системами. Це призводить до зменшення затримок проекту та перевищення витрат, приносить користь як підрядникам, так і клієнтам.

Прийняття цих інструментів швидко збільшується, оскільки будівельні фірми визнають переваги віддаленого доступу та покращення спілкування. Якщо ви берете участь у будівельному проекті, ці інструменти можуть допомогти впорядкувати операції та сприяти спільному середовищу, незалежно від того, де ви знаходитесь.

Прийняття рішень, керованих даними

У будівництві використання даних для керівництва рішень вже не є необов’язковим – це суттєво. Коли датчики та пристрої IoT стають все більш поширеними на робочих сайтах, ви збираєте величезну кількість діючої інформації. Ці дані допомагають оптимізувати планування, розподіл ресурсів та заходи безпеки, що дозволяє покращити результати проекту.

Прогнозування аналітики-один із прикладів того, як перетворює рішення, що керується даними, перетворює побудову. Аналізуючи історичні дані, ви можете передбачити потенційні проблеми та вирішити їх активно. Це не тільки економить час, але й зменшує ризики.

Крім того, використання платформ бізнес -розвідки дає вам цінну інформацію про результати роботи проекту та фінансові здоров'я. Ці розуміння дають вам можливість робити обгрунтований вибір, гарантуючи, що ваші проекти залишаються на шляху та в межах бюджету.

Еволюція робочої сили та підвищення безпеки

У будівельній галузі інтеграція передових технологій сприяє змінам навичок робочої сили та заходах безпеки. Підкреслення обох працівників, які працюють на службі, так і використання носіння технологій гарантують, що безпека та продуктивність йдуть рука об руку.

Підвищення кваліфікації та навчання для нових технологій

Прийняття передових технологій, таких як безпілотники, ШІ та робототехніка в будівництві, означає, що нові навички є важливими для працівників. Навчальні програми мають вирішальне значення, орієнтуючись на розвиток знання в експлуатації та управлінні цими розширеними інструментами.

Зараз працівники відвідують семінари та онлайн -курси, які вчать, як керувати безпілотниками для опитування сайтів. Знання програмного забезпечення для управління проектами та аналізу даних стають стандартною вимогою. Ці навички не тільки підвищують ефективність, але й відкривають нові кар’єрні можливості.

Інвестиції в постійне навчання важливі як для роботодавців, так і для працівників. Також важливо встановити чіткі очікування менеджера та працівника, щоб забезпечити вирівнювання цілей навчання та розуміються орієнтири на ефективність. Вирішуючи пріоритетність освіти в галузі технологічного прогресу, компанії сприяють більш компетентній робочій силі, готову до вирішення сучасних проблем. Як працівник, залучення себе до цих можливостей навчання сприяє вашій кар’єрі та дає змогу ефективно сприяти більш безпечним, інноваційним проектам.

Носячі пристрої безпеки

Носиста технологія перетворює те, як керується безпекою на будівельних майданчиках. Такі пристрої, як розумні шоломи та безпечні жилети, контролюють як здоров'я працівників, так і їх оточення. Вони можуть виявити небезпечні умови, такі як екстремальний тепло або витоки газу в режимі реального часу.

Розумні шоломи часто оснащені функціями розширеної реальності (AR), надаючи працівникам візуальні дані безпосередньо на козирок шолома. Це покращує ситуаційну обізнаність та прийняття рішень на місці. Аналогічно, безпечні жилети можуть контролювати життєво важливі ознаки та надсилати сповіщення, якщо працівник переживає.

Інвестування в ці пристрої покращує протоколи безпеки та зменшує нещасні випадки. Коли ці технології стають більш поширеними, ви можете опинитися на них, покладаючись на них за вашу безпеку та спокій на роботі. Цей фокус на проактивній безпеці – це переробка практик сайтів, що пропонує сучасний підхід до захисту працівників.

Висновок

Будівельна галузь зазнає неабиякої трансформації, керованої технологіями, стійкістю та інноваціями робочої сили. Приймаючи ці тенденції-від AI та BIM до екологічно чистих матеріалів та цифрової співпраці-професіонали, що промисловість, можуть будувати розумніші, безпечніші та ефективніші структури, що відповідають вимогам світу, що змінюється.

Блог, який отримав поштою

Зростаюча кількість високорозвинених датчиків забезпечує обсяг даних, який більше не можна було обробити за допомогою звичайного програмного забезпечення. Для Porsche використання машинного навчання та AI для аналізу даних корисно для розуміння величезної кількості інформації та різних контекстів. Використання цих інструментів допомагає забезпечити надійну інформацію про поведінку та взаємодію компонентів.

AI в розробці акумулятора

Акумулятор високої напруги-це складна система, яка піддається широкому діапазону зовнішніх та внутрішніх впливів. Ці впливи роблять видимими інженерами Porsche за допомогою аналізу даних та використання AI у зв'язку з впливом на енергетичну систему. Знання, отримані таким чином, є важливою основою для розробки постійно-розгалужених компонентів та систем для клієнтів Porsche.

AI підтримує розробників, зокрема, виявляючи неправдоподібну поведінку в акумуляторі. Це дозволяє алгоритмам аналізувати врівноважену поведінку окремих клітин та весь акумулятор ще на стадії розвитку. Балансування відноситься до балансу заряду між комірками акумуляторного модуля. Якщо значення відхиляються від очікуваного стану, дані дозволяють робити швидші висновки щодо причин та основних процесів. У той же час, якість даних у процесі розробки покращується, так що пізніші результати транспортних засобів клієнтів є ще більш надійними.

Окрім відомих основних драйверів старіння акумулятора, сучасні методи аналізу також можуть бути використані для виявлення інших впливів. Завдяки поєднаному застосуванню сучасних методів аналізу даних та фізико-хімічних моделей, можна створити прогнози та аналізи старіння акумуляторів високої напруги в флоті замовника. З розумінням різних впливів старіння на основі аналізу даних розробники системи працюють над подальшою оптимізацією операційної стратегії. Всі критерії оптимізації, такі як діапазон, час зарядки, продуктивність системи, вага, довговічність та споживання.

Результати аналізів на основі ШІ повинні бути зрозумілими та поясненими, щоб створити надійну основу для прийняття рішень для розвитку. Для цього використовуються те, що відомі як методи “пояснювані AI”. Для Porsche AI ​​- це інструмент, який допомагає команді зрозуміти складні стосунки та враховувати всі відповідні аспекти. У поєднанні з експертизом інженерів з розвитку виробника спортивних автомобілів це дає змогу точну класифікацію ситуації в кінці аналізу.

Завдяки інтелектуальній та адаптованій системній конструкції старіння впливає на ІІ, може бути зменшено цільовим способом. Клієнти отримують користь від цього, оскільки термін служби акумулятора транспортного засобу може бути значно розширений.

Профілактичне виявлення аномалії – направлення до замовника

Особливо інноваційним методом аналізу даних, який вперше застосовується до даних з високої акумулятора Porsche Macan, є профілактична аномалія. Це оцінює технічну причину та актуальність, якщо в даних виявлено якісь аномалії. Це забезпечує довгострокову продуктивність системи високої напруги, сприяючи розробці майбутніх продуктів за допомогою результатів.

Виявлення профілактичної аномалії використовує детектори, які використовують інтелектуальні алгоритми для отримання, наприклад, зміна поведінки акумулятора в онлайн -даних. Виявлені аномалії аналізуються, розшифрують та оцінюються у хмарі.

Однак, якщо має відбутися відповідна аномалія, Porsche активно інформує драйвер – включаючи конкретні інструкції, включаючи через додаток MyPorsche. Особливо вражає те, що цей метод може оцінити дані кожної комірки акумулятора окремо.

Виявлення профілактичної аномалії має на меті використовувати методи аналізу даних для забезпечення надійності та продуктивності транспортних засобів, з одного боку, та передбачити потенційні обмеження з іншого. Тому ця функція є одним із центральних елементів якості роботи майбутнього.

• Наступник локальної мережі, Ван і Ман – Ян – Мережа інтелектуальної області
• Постачальники розробляють архітектури AI, які розкривають концепцію роботи з географії та масштабу – і допомагають приносити дохід
• Я закликаю галузь, щоб допомогти побудувати повне розуміння нового ринку мережі інтелектуальних районів

“AI – це найзначніша і трансформаційна технологія, яку ми коли -небудь бачили”, – каже Білл Гейтс, і хто з ним сперечається?

Однак разом із трансформацією ШІ складається складність та ризик, особливо для перевізників, які покладаються на створення цифрової інфраструктури для підтримки штучного інтелекту.

В даний час індустрія комунікацій та великі технології є гіпер-орієнтованою на вирішення найбільш очевидних з цих проблем: побудова масивних центрів обробки даних, які можуть розмістити величезну обробку, необхідну для прискорення навчання та висновку моделей штучного інтелекту.

Але це лише один шматок головоломки. Мережа, яка з'єднує центри обробки даних, також повинна бути повністю перероблена та перебудована.

Що ж, друзі, я приношу вам радісні притягнення до великої радості: всі провідні продавці світу – плюс HPE – самостійно працюють над інтегрованими рішеннями, які стосуватимуться загадки мережі AI.

Введіть Ian – Мережу інтелектуальної області та наступника до локень, Венса та Менів.

Ciena, Cisco, Ericsson, Huawei, Juniper, Nokia та ZTE розробляють IANS для вирішення виклику мережі AI, використовуючи різноманітний спектр технологій та архітектур нового покоління. Розуміння відмінностей між їх стратегіями має бути роботою № 1 для перевізників; Їх виживання залежить від цього.

У чому проблема?

До цих пір конструкція мережі Comms дотримувалася того ж правила, що і нерухомість: місце розташування, місце розташування, місце розташування. Місцеві мережі (LANS), мережі з широкою областю (WAN) та мегаполіси мереж (MANS) використовують програмне забезпечення, обладнання та найкращі практики, розроблені для обробки даних, що перевозяться в місці, де вони розгортаються.

Трафік AI відрізняється і не має наміру дотримуватися правил, які визначили передачу даних по мережах протягом останніх 40 років. Окрім того, що це найважливіший рух транспорту через мережі носіїв, AI також є найменш передбачуваним і найвибагливішим.

Для мережевих архітекторів бурхливий профіль трафіку AI-керований робочими навантаженнями у режимі реального часу, величезними резервними копіями даних, автономними системами та Edge AI-є найгіршим сценарієм. Шаблони трафіку AI дуже мінливі, починаючи від крихітних, чутливих часів у виходи, лише декількох байт, які повинні бути доставлені в мілісекундах, до слонових потоків сотень гігабайт або навіть петабайт, які можуть домінувати в мережі протягом декількох хвилин.

Традиційні конструкції LAN/WAN/MAN не можуть впоратися з ШІ, і намагаючись покращити проблему, кидаючи на неї шматки сировини, використовуючи останні дорогі оптичні технології 400- та 800-GIG, покращує проблему, але не виправляє її.

Економія масштабу

І з точки зору бізнесу, це жахлива угода для перевізників.

Це тому, що економічна модель телекомунікацій 20 століття мертва. Доходи перевізників більше не масштабують пропорційно обсягу трафіку, який вони несуть. “Значення даних” зараз, звідки надходять великі гроші, а не перевезення даних.

Сьогодні найцінніші дані містять програми та послуги AI, які майже повністю генеруються уповноваженими (OTT) постачальниками та гіперкалерами, які заробляють на нього мільярди прибутку. Перевізники, з іншого боку, наразі розглядаються як стабільні види галузі. Утиліти даних забезпечують достатньо велику трубу, щоб швидко та надійно передати трафік AI між центрами обробки даних гіперсалера, але не отримують безпосередньо прибутку від інформації, що надається в межах самих даних, або її цінності для компаній, що надсилають її.

І, звичайно, очікується, що вони також матимуть витрати на значні оновлення інфраструктури, коли потреби в мережі збільшуються. І цей рахунок зростає з кожним днем; Трафік AI збільшується приблизно на 50% щорічно, але, як очікується, він збільшиться на кратне те, що в найближчі кілька років, причому значна частина зростання надходить з ботів AI, що повзає в Інтернет для LLMS.

Розумна відповідь

Використання революції AI вимагає революційного підходу-той, який відбиває концепцію мережі з географії та масштабу, а також інтеграцію стратегії для отримання доходу від доходу від трафіку AI, незалежно від його джерела.

Це саме те, що роблять усі провідні постачальники комунікацій у світі. Agile Solution Cisco стане центральною частиною його події Cisco Live в Сан -Дієго наступного тижня.

У січні 2024 року Juniper приурочував ринок із запуском своєї тумної архітектури Mist AI, заснованої на технології, яку вона придбала, коли він купував системи MIST у 2019 році. Той факт, що для інтеграції його в портфоліо знадобилося п’ять років, говорить про складність місії IAN.

Існують суттєві відмінності в підходах, застосованих постачальниками до доставки їх IAN, але вони також мають три ознаки спільного:

1. Всі вони пропонують багатодоменні рішення, що дозволяють контролювати кінцевий рух над мережевим трафіком та активністю, з джерела AI у приміщеннях клієнтів, фабричних підлогах або центрах обробки даних, аж через хмару.
2. Вони поставляються з інструментами та підтримкою для вирішення екзистенціальної кризи перевізника шляхом диверсифікації доходів, як визначаючи трафік ATO та гіперкалера AI, та стягуючи премію за ІТ за допомогою угод про рівень сервісу (SLA), а також створюючи нові цифрові послуги AI-інноваційні моделі API-Plus-Ceverver.
3. Вони борються з вогнем з вогнем, вбудовуючи AI всюди в всій мережі перевізників, щоб керувати сплеском трафіку AI за допомогою моніторингу, маршрутизації, автоматизації, виявлення аномалії та прогнозування, таким чином підвищуючи ефективність мережі, продуктивність, безпеку та досвід користувачів.

Третій пункт є важливим. Коли глобальна гіпербола навколо ШІ досягає все більш абсурдної висоти, це освіжаюче бачити, як AI використовується в прагматичному та дуже потрібному бізнесі. AI не вилікує рак протягом наступних 10 років, як стверджував Google, і наразі немає резолюції мета-випуску того, як живити революцію AI в Північній Америці або регулювати її. Однак, за допомогою Іана, він може абсолютно забезпечити перевізникам шлях до вигідного майбутнього.

Ян, зустріти ai. AI, зустрінемося Іана. Я думаю, ти ладиш.

Заклик до дії …

Вирішення, з якою Ян працювати з найважливішими перевізниками рішень, зіткнуться в цьому десятилітті, визначаючи їх здатність диверсифікувати доходи та перевершити роль утиліти даних 20 століття. Але існують ключові відмінності між підходами, застосованими кожним постачальником на цьому ринку. Поки що ніхто не створив сенсичне порівняння цих продуктів на основі послідовної, кількісної інформації. Чому ми цього не зробимо разом?

Я запрошую всіх постачальників, які працюють на мережевих рішеннях інтелектуальної області, щоб зв’язатися зі мною. Але я також радий поговорити з перевізниками про те, що ви шукаєте у своєму Ian. Не соромтеся кинути мені тут лінію.

Стів Сондерс-аналітик з питань комунікацій, що народиться в британській, інвестор та підприємець з цифрових медіа з кар'єрою, що триває десятиліття.

---

Операції експертів галузі, аналітиків чи наших редакцій-це думки, які не представляють думки жорстокої мережі.