Категорія: Великі Дані та Аналітика

Частина третя: паливо та викиди

Тепер, коли ми маємо оцінку загальної енергії, необхідної для запуску моделі AI для створення тексту, зображень та відео, ми можемо розібратися, що це означає з точки зору викидів, що спричиняють зміни клімату.

По -перше, центр обробки даних, що гуде, – це не обов'язково погана річ. Якби всі центри обробки даних були підключені до сонячних батарей і побігли лише тоді, коли світило сонце, світ би говорив набагато менше про споживання енергії AI. Це не так. Більшість електричних сітків у всьому світі все ще сильно залежать від викопних палив. Таким чином, використання електроенергії поставляється з доданим кліматом.

“Центри даних AI потребують постійної сили, 24-7, 365 днів на рік”,-каже Рахул Мевалла, генеральний директор інфраструктурної групи Mawson, яка будує та підтримує високоенергетичні центри обробки даних, що підтримують AI.

Це означає, що центри обробки даних не можуть покладатися на переривчасті технології, такі як вітрова та сонячна енергія, і в середньому вони, як правило, використовують більш брудну електроенергію. Одне з попереднього дослідження Гарвардської школи громадського здоров'я в Гарварді виявило, що інтенсивність вуглецю електроенергії, що використовується центрами обробки даних, була на 48% вище, ніж середній показник США. Частина причини полягає в тому, що центри обробки даних наразі кластеризуються в місцях, які мають більш брудні сітки, як, наприклад, вугільна сітка в середньоатлантичному регіоні, що включає Вірджинію, Західну Вірджинію та Пенсильванію. Вони також працюють постійно, в тому числі, коли чистіші джерела можуть бути недоступними.

Технічні компанії, як Meta, Amazon та Google, відповіли на цю проблему викопного палива, оголосивши цілі щодо використання більшої ядерної енергетики. Ці троє приєдналися до застави втричі світової ядерної потужності до 2050 року. Але сьогодні ядерна енергія припадає лише на 20% постачання електроенергії в США, і забезпечує частку операцій центрів даних AI – природний газ становить більше половини електроенергії, що виробляється у Вірджинії, яка має більше центрів обробки даних, ніж будь -який інший штат США, наприклад. Більше того, нові ядерні операції потребуватимуть років, можливо, десятиліттями, для здійснення.

Прогалини в джерелі живлення в поєднанні з поспіхом будувати центри обробки даних для живлення AI, часто означають короткозорі плани енергії. У квітні за допомогою супутникових знімків було знайдено Центр Суперкомп'ютерного центру Елона Маска поблизу Мемфіса, який використовував десятки генераторів метану, які стверджують, що Південний екологічний центр не затверджується енергетичними регуляторами для доповнення потужності сітки та порушує Закон про чисте повітря.

Ключова метрика, яка використовується для кількісної оцінки викидів із цих центрів обробки даних, називається інтенсивністю вуглецю: скільки грам викидів вуглекислого газу виробляється для кожної кіловат-години споживаної електроенергії. Прибивання інтенсивності вуглецю заданої сітки вимагає розуміння викидів, що виробляються кожною окремою електростанцією, а також кількості енергії, яка кожна сприяє сітці в будь -який момент часу. Утиліти, державні установи та дослідники використовують оцінки середніх викидів, а також вимірювань у режимі реального часу для відстеження забруднення з електростанцій.

Ця інтенсивність сильно змінюється в різних регіонах. Сітка США фрагментована, а суміші вугілля, газу, відновлюваних джерел енергії або ядерної енергії сильно різняться. Наприклад, сітка Каліфорнії набагато чистіша, ніж Західна Вірджинія.

Час доби теж має значення. Наприклад, дані з квітня 2024 року показують, що сітка в Каліфорнії може розмахувати менше 70 грам на кіловат-годину вдень, коли багато сонячної енергії доступно понад 300 грам на кіловат-годину посеред ночі.

Ця мінливість означає, що однакова діяльність може мати дуже різні наслідки клімату, залежно від вашого місцезнаходження та часу, коли ви робите запит. Візьмемо, наприклад, цього благодійного марафону -бігуна. Текст, зображення та відеозаписи, які вони просили додати до 2,9 кіловат-години електроенергії. У Каліфорнії генерування цієї кількості електроенергії в середньому вироблятиме близько 650 грам забруднення вуглекислого газу. Але генерування цієї електроенергії в Західній Вірджинії може надути загальну суму до понад 1150 грам.

AI за кутом

Що ми бачили до цього часу, це те, що енергія, необхідна для реагування на запит, може бути відносно невеликою, але вона може сильно відрізнятися, залежно від типу запиту та моделі, що використовується. Викиди, пов'язані з цією заданою кількістю електроенергії, також залежатимуть від того, де і коли обробляється запит. Але що це все додається?

Зараз Chatgpt оцінюється як п'ятий найпопулярніший веб-сайт у світі, відразу після Instagram і випереджає X. У грудні OpenAi заявив, що Chatgpt отримує 1 мільярд повідомлень щодня, і після того, як компанія запустила новий генератор зображень у березні, він сказав, що люди використовують його для створення 78 мільйонів зображень на день, від студії ghibli-стильних портретів для фотографій.

Можна зробити якусь дуже грубу математику, щоб оцінити вплив енергії. У лютому дослідницька фірма AI Epoch AI опублікувала оцінку того, скільки енергії використовується для одного запиту CHATGPT – оцініть, що, як обговорюється, робить багато припущень, які неможливо перевірити. Тим не менш, вони обчислили близько 0,3 ват-години, або 1080 джоулів, за повідомлення. Це становить між нашими оцінками найменших і найбільших моделей мета -лами (і експертами, з якими ми консультувались, кажуть, що якщо що, реальна кількість, ймовірно, вища, а не нижча).

Один мільярд з них щодня протягом року означатиме понад 109 гігават-годин електроенергії, достатньо для живлення 10 400 будинків США протягом року. Якщо ми додамо зображення і уявимо, що генерувати кожну з них вимагає стільки енергії, скільки це робиться з нашими високоякісними моделями зображення, це означало б додаткові 35 гігаватних годин, достатньо для того, щоб живити ще 3300 будинків на рік. Це знаходиться на вершині енергетичних потреб інших продуктів OpenAI, як, наприклад, генератори відео, і для всіх інших компаній та стартапів.

Але ось проблема: ці оцінки не фіксують найближчого майбутнього того, як ми будемо використовувати AI. У цьому майбутньому ми не будемо просто пінгувати моделі AI з питанням або двома протягом дня, або не будемо їх генерувати фотографію. Натомість провідні лабораторії перемагають нас до світу, де “агенти” AI виконують завдання для нас, не контролюючи кожен їхній крок. Ми поговоримо з моделями в голосовому режимі, спілкуватися з супутниками протягом 2 годин на день і вказуємо на наші камери телефонів у оточенні у відео -режимі. Ми дамо складні завдання так званим “міркуванням”, які працюють через завдання логічно, але, як було встановлено, що потрібно в 43 рази більше енергії для простих проблем, або “глибокі дослідження”, які витрачають години на створення звітів для нас. У нас будуть моделі AI, які «персоналізовані» шляхом навчання наших даних та уподобань.

Це майбутнє знаходиться за кутом: OpenAI запропонує агентам за 20 000 доларів на місяць і використовуватиме можливості міркувань у всіх своїх моделях, що рухаються вперед, і DeepSeek катапультував «ланцюжок думок», міркуючи мейнстрім з моделлю, яка часто генерує дев'ять сторінок тексту для кожної відповіді. Моделі AI додаються до всього, від телефонних ліній обслуговування клієнтів до офісів лікаря, що швидко збільшуючи частку AI національного споживання енергії.

Кожен дослідник, з яким ми говорили, сказав, що ми не можемо зрозуміти енергетичні потреби цього майбутнього, просто екстраполюючи з енергії, що використовується в запитах AI сьогодні. І дійсно, кроки, що ведуть компанії AI, до розпалювання атомних електростанцій та створення центрів обробки даних безпрецедентного масштабу дозволяють припустити, що їхнє бачення майбутнього споживатиме набагато більше енергії, ніж навіть велика кількість цих окремих запитів.

“Дорогі числа, які ми маємо, можуть пролити крихітний ковзання світла на те, де ми зараз стоїмо, але всі ставки в найближчі роки”, – каже Луксіоні. “Генеративні інструменти AI практично засунули в горло, і це стає важче і важче відмовитись, або робити обгрунтований вибір, коли мова йде про енергію та клімат”.

Щоб зрозуміти, скільки влади знадобиться ця революція AI, і звідки вона прийде, ми повинні прочитати між рядками.

HealthTech: Як підключити різні відділи для тестування рішення AI? Як ви отримуєте покупку користувачів та керівників?

Koczka: У Північно-Західній медицині наша структура полягає в тому, щоб міжфункціональні команди оцінювали рішення, розробляючи з самого початку команду, яка включає представництво з відповідних клінічних областей, ІТ, операцій та адміністратора, яка заохочує різноманітні перспективи та обмін знаннями. Основним є чітко сформулювати цілі рішення AI та те, як воно принесе користь кожному відділу чи зацікавленню сторону, на які може вплинути його використання.

Якщо прийнято рішення, ми пілотували його досить швидко і намагаємося мати пілотні групи з різних відділів, які перевірить, що AI рішення в контрольованому середовищі. Більше практичного досвіду роботи з технологіями дійсно допомагає створити цей характер та процес для проекту.

Тоді наша команда відстежуватиме, чи слід пілоти продовжувати рухатися вперед, чи повинні вони відтягуватися назад. Ми пропонуємо хороші канали для відкритої комунікації для зворотного зв'язку, щоб ми могли швидко здійснити коригування. Важливо залучити цих користувачів на початку та отримати їх внесок у вимоги та робочі процеси. Я думаю, що це як будь -який проект, який ви намагаєтесь реалізувати.

Наші очікування полягають у тому, що наші партнери демонструють технологію, показуючи приклади реального світу про те, як рішення AI може або спростити завдання, підвищити ефективність або підвищити результати пацієнтів. Важливо також відсвяткувати ранні успіхи, що, на мою думку, допомагає будувати більш широке прийняття з часом.

Північно -Західна медицина має надійний процес управління керівництвом для оцінки всіх технологічних рішень, і це включає ШІ. Наш виконавчий комітет є мультидисциплінарним, з фінансами, операціями, ІТ, відповідністю та клінічними областями. Вони, як правило, не обов'язково зацікавлені сторони, і можуть або не можуть використовувати цю технологію, але вони допомагають нам перевірити наші рішення та по-справжньому розуміти аналіз витрат і вигод. Вони дивляться на те, як рішення узгоджується з нашими стратегічними цілями, чи воно сприятиме операційній ефективності, подібні речі.

Виконавчий твір приходить трохи пізніше в нашому процесі, оскільки у нас може не бути успішного пілота, або користувачі вирішують, що рішення – це не те, що працює для них. Отже, ми вносимо нашу виконавчу команду наприкінці, якщо є запит на більш широке розгортання технології.

HealthTech: Які поради ви маєте для інших організацій охорони здоров’я, які прагнуть вирішити проблеми користувачів на початку?

Koczka: Відкрите спілкування є ключовим. Ми намагаємось бути дуже прозорими щодо того, що є нашими цілями, процесами, наслідками проекту, переконуючись, що зацікавлені сторони усвідомлюють, чого очікувати протягом усього впровадження та під час використання технології.

Важливо тримати зацікавлені сторони залучені та займатися з самого початку проекту та змусити їх відчувати себе цінними та почутими. Ми часто матимемо консультативні комітети, що залежить від розміру проекту та скільки впливатиме на організацію. Ці комітети можуть надати постійний відгук та рекомендації.

Освіта та навчання – ще одна критична сфера, тому ми використовуємо ресурси постачальника для пояснення нової технології та її переваг та залучення наших власних технічних та архітектурних команд, щоб пояснити, як це може інтегруватися з поточними робочими процесами.

Також важливо вирішити помилки щодо технології AI. Ми часто демонструємо приклади в реальному світі і підкреслюємо, що AI призначений для посилення ролей людини. Якщо ми не перші, хто використовуємо цю технологію, ми показуємо приклади того, як AI позитивно вплинув на інші організації та зосереджуємось на тому, як це дозволяє покращити догляд за пацієнтами та ефективність роботи.

Клацніть на банер нижче Щоб дізнатися, як скористатися даними та AI для кращих результатів охорони здоров’я.

Досягнення соціальних медіа принесло впливових, твітів та відео на мобільні пристрої, змінюючи обличчя комерції та шляхи Підприємства, зокрема, мало-середні підприємства (SMB), можуть сприяти продажам.

Pymnts IntelligenceГлобальний індекс цифрових покупок: SMB Edition” Рішення щодо прийняття візизнайдено що є затока між великими фірмами та невеликими підприємствами Коли мова йде про Інтернет -продажі. В середньому, малий таголових версій з менше ніж еквівалент 10 мільйонів доларів щорічних продажів приносять менший відсоток їхніх продажів з основних цифрових каналів, ніж великі компанії з продажами вище цього порогу.

МСБ мають менший вплив на мобільні канали продажів. В той час як більше трьох чверть великих компаній мають такі веб-сайти на місцілише близько 52% малих таголових версій продаються через свої власний Мобільні додатки або веб-сайти, оптимізовані мобільними. В Інтернеті, лише в Інтернеті, використовують 1,9 канали в середньому проти 2,6 для великих компаній. Малішири майже в чотири рази більше ймовірно, що вони працюють лише у фізичних каналах.

Використання додаткових цифрових каналів

Однак всередині цифрового розподіляти Існує визнання, що серед онлайн -каналів, які роблять малий малики використовувати або повинні використовуватисоціальні медіа повинні бути вгорі списку.

Апеляція частково фінансова, враховуючи, що публікація на цих сайтах є недорогою або безкоштовною, і пов'язує спинка На власні сайти торговців забезпечує континуум покупки, яка покращує відкриття споживачів нових торговців та товарів, які вони можуть переглядати та купувати. Крім того, поява платежів на платформах соціальних медіа допомагає зробити комерційний досвід більш безпроблемним.

У звіті це встановлено соціальні медіа використовується за Приблизно половина малих тагод, що вказує на те, що є можливість для іншої половини, яка ще не створила власні профілі соціальних медіа. Це особливо важливо, враховуючи, що Pymnts Intelligence та Visa встановили, що 63% продажів SMB є цифровими та розколом на платформах соціальних медіа, веб-сайтів та сторонніх платформ.

“Пільга цього розділеного прожектора, якими важливими можуть бути широкі цифрові стратегії, оскільки покладатися на один цифровий канал може відмовитися від продажів від інших”,-йдеться у звіті.

Потреба в багатогранному підході до цифрових продажів очевидна Тим фактом, що Потрібен час, щоб торгівля, що підживлюється соціальними медіа, для отримання тяги.

Звіт про розвідку Pymnts “Покоління імпульсу: Наскільки впливові впливові?”Опитували 3200 споживачів. Він виявив, що 56% споживачів роблять впливовий-зреаціювала придбання хоча б один раз, тоді як 12% роблять це більше шести разів щорічно.

Соціальні медіа, здається, є каналом, який отримує позицію, коли споживачі ознайомилися з продавцями в Інтернеті. Меншина споживачів у звіті про пульс поколінь вказувало на те, що впливові люди будуть перенесені вперше купувати товари чи послуги. Лише 23% осіб, які здійснили покупку, рекомендовану впливовою у Минулого року заявив, що вони відкриті для цього, виходячи з першої зустрічі з цим впливовим.

У категорії їжі, 47% споживачів заявили, що довіряють впливом їжі та кулінарії за рекомендації щодо продуктів.

Огляд ринку

Міграція даних відноситься до процесу передачі даних між різними типами зберігання, форматами або комп'ютерними системами. Це часто є невід'ємною частиною більших ініціатив ІТ -модернізації, таких як хмарна міграція, оновлення системи ERP або злиття та поглинання. На відміну від дублювання даних або завантаження трансформації (ETL), які підтримують поточне середовище, міграція даних дозволяє організаціям перенести всю свою інфраструктуру даних на новіші, ефективніші екосистеми.

Глобальний ринок міграції даних відчуває надійне зростання, зумовлене зростанням прийняття великих даних, Інтернету речей (IoT) та штучного інтелекту (AI) у галузях. Згідно з останнім аналізом ринку, прогнозується, що ринок міграції даних значно зросте до 2032 року. Північна Америка має найбільшу частку ринку, в першу чергу через раннє прийняття технологій, наявність основних хмарних постачальників та суворі рамки відповідності даних. Сегмент програмного забезпечення домінує на ринку з точки зору компонента, завдяки широкому використанню інструментів автоматизації та інтеграції для безшовної міграції.

Отримайте зразок PDF -брошури звіту (використовуйте ідентифікатор корпоративного електронного листа для швидкої відповіді): https://www.persistencemarketresearch.com/samples/21505

Основні моменти звіту:

• Північна Америка лідирує на ринку міграції даних через швидке прийняття хмарних потреб та дотримання регуляторних норм.
• Сегмент програмного забезпечення домінує з точки зору отримання доходу.
• МСП виникають як сегмент високого зростання завдяки ініціативам цифрової трансформації.
• Хмарне розгортання набирає тяги над локальними рішеннями.
• Сектори охорони здоров'я та BFSI є важливим фактором зростання ринку.
• Азіатсько-Тихоокеанський регіон готовий стати свідком найвищого CAGR протягом прогнозного періоду.

Сегментація ринку

Ринок міграції даних сегментується компонентом у програмне забезпечення та послуги. Програмне забезпечення включає інструменти для автоматизованого відображення даних, перевірки та трансформації, які є важливими для складних міграцій підприємств. Послуги, з іншого боку, включають консультації, впровадження та критичні для підтримки для компаній, які не мають внутрішньої ІТ-інфраструктури. Зростаюча складність типів даних та стандартів управління сприяла попиту на обидва компоненти.

З точки зору моделі розгортання, ринок роздвоєний на локальні та хмарні. Міграція хмарних даних набула популярності, коли підприємства рухаються до масштабованої інфраструктури з нижчими передовими витратами. Крім того, сегментація за розміром організації виявляє зростаючий попит серед МСП, які все частіше інвестують у SAAS та міграцію хмари для модернізації операцій. Промислові вертикалі, такі як BFSI, охорона здоров'я, уряд та прийняття виробничих лідерів через їх залежність від структурованих систем даних та дотримання регуляторних норм.

Регіональні уявлення

Північна Америка продовжує домінувати на глобальному ринку міграції даних, що підтримується розширеною ІТ -інфраструктурою та надійною екосистемою постачальників технологій. Зокрема, США демонструють високу зрілість ринку, з широким використанням автоматизованих інструментів міграції та суворим дотриманням норм управління даними.

Тим часом очікується, що Азіатсько-Тихоокеанський регіон зареєструватиме найшвидший темп зростання. Такі країни, як Китай, Індія та Японія, вкладають значні кошти в хмарну інфраструктуру та цифрову трансформацію в державному та приватному секторах. Зростаюча кількість МСП та стартапів регіону прискорює попит на гнучкі, економічно вигідні міграційні рішення.

Водії ринку

Одним із первинних драйверів ринку міграції даних є експоненціальне зростання обсягу даних, створених підключеними пристроями, платформами IoT та цифрових послугами. Організації все частіше приймають хмарні інфраструктури для ефективного зберігання, обробки та аналізу даних, що вимагає надійних інструментів міграції. Крім того, злиття, поглинання та оновлення системи додатково сприяють збільшенню попиту на послуги з міграції даних.

Ринкові обмеження

Незважаючи на сприятливі тенденції, ринок стикається з кількома проблемами. Проблеми після міграції, такі як деградація якості даних, вирішення помилок перевірки та перешкоди інтеграції часто сповільнюють прийняття. Підприємства побоюються втрати даних або корупції під час міграції, що може вплинути на безперервність бізнесу. Ці занепокоєння підкреслюють необхідність кращого управління ризиками та інструментами перевірки під час життєвого циклу міграції.

Ринкові можливості

Зростаючий фокус на головному управлінні даними (MDM), мобільності підприємств та гібридних хмарних стратегіях представляє величезні можливості для ринку міграції даних. Оскільки організації мають на меті об'єднати фрагментовані силоси даних, збільшується попит на розширені міграційні рішення, які забезпечують безперебійну передачу даних у різних середовищах. Більше того, нові технології, такі як AI та машинне навчання, інтегруються в інструменти міграції, покращують відображення даних, виявлення аномалії та прогнозні показники продуктивності.

Причини придбати звіт:

✔ Поглиблені уявлення про глобальну динаміку ринку міграції даних та конкурентний ландшафт.
✔ Розумійте сучасні та майбутні тенденції на ринку, а також їх наслідки для бізнес -стратегії.
✔ Визначте сегменти з високим ростом та інвестиційні можливості в регіонах та вертикалі.
✔ Прогножі доступу на основі моделей, керованих даними та експертного аналізу для планування стратегічних ініціатив.
✔ Використовуйте інформацію про технологічний прогрес, включаючи хмару та інтеграцію AI.

Компанія Insights

Ключові гравці, що працюють на ринку міграції даних, включають:

1. Корпорація IBM
2. Корпорація Oracle
3. Amazon Web Services, Inc.
4. Корпорація Microsoft
5. SAS Institute Inc.
6. SAP SE
7. Корпорація Informatica
8. talend in
9. Інформація Builders Inc.
10. SyncSort Incorporated
11. Attunity Ltd
12. Корпорація Scribe Software

Останні розробки:

• У 2024 році Informatica запустила свою інтелектуальну хмару управління даними нового покоління, покращивши міграцію даних у режимі реального часу та можливості інтеграції, що стосується хмар.

• Microsoft Azure оголосила про нову функцію на своїй фабриці даних для вдосконалення робочих процесів з міграції даних гібридів та багаторазового використання за допомогою AI-подій.

Висновок

Ринок міграції даних швидко розвивається в тандемі з оцифруванням глобальних підприємств. Оскільки організації прагнуть модернізувати застарілі системи та використовувати потенціал хмари та аналітики, міграція даних виникає як основоположний стовп. Хоча виклики зберігаються, інновації в автоматизації, AI та інструментах управління даними підвищують ефективність та знижують ризики.

Оскільки Північна Америка провідна поточна прийняття та Азіатсько-Тихоокеанський регіон, що демонструє величезний потенціал зростання, ринок готовий до широкого розширення. Незалежно від того, чи це малий бізнес, який мігрує до хмари чи багатонаціональні консолідуючі системи після згортання, міграція даних надалі буде ключовим фактором цифрової трансформації.

Зв’яжіться з нами:

Дослідження ринку наполегливості
G04 Golden Mile House, Clayponds Lane
Брентфорд, Лондон, Tw8 0gu UK
США Телефон: +1 646-878-6329
Телефон Великобританії: +44 203-837-5656
Електронна пошта: sales@persistencemarketresearch.com
Веб: https://www.persistencemarketresearch.com

Про дослідження на ринку наполегливості:

Під час досліджень на ринку Persistence ми спеціалізуємось на створенні дослідницьких досліджень, які служать стратегічними інструментами для зростання бізнесу. Створена як фірма у 2012 році, ми перетворилися на зареєстровану компанію в Англії та Уельсі в 2023 році під назвою Persistence Research & Consultancy Services Ltd. З міцним фундаментом ми завершили понад 3600 спеціальних та синдикатних дослідницьких проектів ринку та поставили понад 2700 проектів для інших провідних клієнтів досліджень ринку.

Наш підхід поєднує традиційні методи дослідження ринку з сучасними інструментами, щоб запропонувати комплексні дослідницькі рішення. Маючи десятиліття досвіду, ми пишаємося тим, що отримуємо діючі уявлення з даних, щоб допомогти бізнесу залишатися перед конкуренцією. Наша клієнтська база охоплює багатонаціональні корпорації, провідні консалтингові фірми, інвестиційні фонди та урядові відомства. Значна частина наших продажів походить від повторних клієнтів, свідчення цінності та довіри, яку ми створили протягом багатьох років.

Цей випуск був опублікований на OpenPR.

Час від часу я стикаюся з базою даних, яка є справжнім подвигом інженерії. Незважаючи на сукупність величезної кількості даних, він працює безперешкодно і інтуїтивно зрозуміло для представників громадськості, і дослідників.

Відкриті платежі – це одна з таких баз даних: він публікує десятки мільйонів записів транзакцій щороку, що дозволяє пацієнтам бачити, скільки грошей отримали їхні лікарі від фармацевтичних та медичних компаній протягом декількох секунд.

При майже 750 000 записів набір даних транзакцій між компаніями та медичними працівниками в Цинциннаті був великим. За останні сім років він охоплював платежі на суму 136 мільйонів доларів і є найбільшим набором даних, який я проаналізував на роботі.

Незважаючи на те, що це вимагало багатьох раундів аналізу, перевірок кишечника, дзвінки та тексти з тими, що більш кмітливі до даних, ніж я – відкриті платежі дозволили мені визначити найвищих лікарів, що заробляли в галузі платежів у районі Цинциннаті та опитувати їх. Написання цієї історії посилило мою переконання, що часто дані – це історія.

Доступ до детальної, легко пошукової та загальнодоступної бази даних також дозволило мені попросити читачів шукати власних лікарів та передати те, що вони знайшли мені.

Десяток читачів відповіли на наше опитування, а ще кілька писали електронні листи.

Люди писали про своїх лікарів первинної медичної допомоги, хірургів та кардіологів, які отримали платежі від менше 100 до мільйонів доларів. Вони працювали в Trihealth, UC Health, Bon Secours Mercy Health та Hindy Hospital, а також пара приватних акцій, що належать до лікаря.

Використання бази даних викликало різні реакції у читачів.

Джоан Дойл, яка була розчарована, виявивши, що принаймні десяток лікарів її сім'ї отримали гроші в галузі, мала неоднозначні почуття. Вона сказала, що любить своїх лікарів, але задумалася, що можуть означати їхні зв'язки для якості та вартості догляду за собою, чоловікові та їх дочці.

Сенді Пітман, з Клівса, відчував себе інакше.

“Мені справді байдуже, тому що я довіряю своїм лікарям”, – поділився Піттман, який шукав записи свого кардіолога. “Це найбільше”.

Ця стаття спочатку з’явилася на Cincinnati Enquirer: Повідомлення про лікарів про заробітну плату Big Pharma

Пошук протягом багатьох років пройшов серйозні трансформації, все, зберігаючи його значення навіть у найсучасніших епох технологій. З новими ітераціями приходять нові методи оптимізації, де великі мовні моделі (LLM) мають вирішальну роль.

SID Probstein, генеральний директор, Swirl, провів сеанс саміту даних, “Розкриття даних, які ви знаєте, є, але не можете знайти” Дослідження способів, за допомогою яких LLM можуть різко покращити пошук документів.

Щорічний Саміт даних Конференція повернулася до Бостона, 14-15 травня 2025 року, з семінарами перед конференцією 13 травня.

Трансформація пошуку за допомогою LLMS знаходить порядок серед хаосу, згідно з Пробштейном. Важливо, “це про те, щоб отримати пошук та LLM, щоб грати приємно разом”, – додав він.

Щоб керувати цією симбіотичною реальністю, LLMS може оптимізувати пошук, переміщуючи запити від орієнтованих на відповідь на документ. Хоча багато хто розглядає LLMS як проспект, в якій можна було б шукати, він може значно покращити спосіб проведення пошуку сам по собі.

У пошуку, орієнтованому на документ, точна інформація з'являється з останньої версії даних. Після розташування, розмова з LLM про документ надає ще більш релевантну інформацію. Зрештою, “LLMS – це не лише для пошуку, вони можуть перекладати, вони можуть обговорити”, – сказав Пробштейн, підкреслюючи, як LLM можуть перевершити пошук тексту в інші структуровані джерела даних.

За допомогою збільшення Genai ви можете вдосконалити самі запити та документи для оптимізації пошуку. Створення трубопроводу з Genai може або покращити запит, або покращити сам документ, спонукаючи LLM очистити заголовки, витягувати метадані з неструктурованих даних тощо.

“Покладіть LLM між вами та даними, і це може покращити ваші документи”, – зазначив Пробштейн.

Популярний спосіб поліпшення пошуку-через тонке настроювання, де моделі LLM навчаються з петабайтами даних. Але під час виконання це стиснена, менша версія, безсумнівно, що втрачає інформацію та індукуючи галюцинації.

Покоління, що надходить в огідлену, є запорукою обмеження галюцинацій, за словами Пробштейна, отримання інформації, яка існує, та обмеження LLM на надані дані.

Однак Пробштейн зазначив, що галюцинація є не Коли LLM надає відповідь, засновану на наданих вами даних, які трапляються неправильно; Це проблема з вашими даними.

Крім того, “LLM не знає вашого бізнесу. Для того, щоб LLM дізнався про ваш бізнес, вам потрібно поділитися інформацією”, а саме через таксономії та онтології. Це вирішує точність виведення та розуміння запитів, особливо якщо деякі деталі не були оприлюднені публічно.

Зрештою, Probstein пропонує забезпечити LLM з:

• Схема баз даних та профіль
• Зразки запитів
• Приклади запитів
• Контекст користувача (роль, відділ, теми, дата)
• Корисна кінцева точка пошуку SharePoint

Для огляду доступно багато презентацій Summit 2025 https://www.dbta.com/datasummit/2025/presentations.aspx.

Розширення можливостей команд даних з DevOps: стратегії автоматизації для сучасної аналітики

Доповідач вебінару: Папороть Гальпер, TDWI VP Research, старший директор з досліджень вдосконаленій аналітиці

Дата: п’ятниця, 6 червня 2025 року

Час: 9:00 ранку PT / 12:00 PM ET

По мірі того, як обсяги даних зростають, і необхідність розуміння в режимі реального часу, традиційні практики інженерії даних та аналітики досягають своїх меж. Ручні трубопроводи, крихкі процеси та вузькі місця масштабованості продовжують перешкоджати спритності та інноваціям. Насправді, дослідження TDWI висвітлюють ручні трубопроводи як головну проблему серед фахівців з даних – що стосується затримок, помилок та зростання операційних витрат.

Тим часом DevOps здійснив революцію в розробці програмного забезпечення за допомогою автоматизації, постійної інтеграції, тестування та розгортання. Тепер ці перевірені принципи – це переробка інженерії даних та аналітики. Вставляючи методології DevOps у робочі процеси даних, організації можуть усунути неефективність, прискорити доставку та розблокувати весь потенціал своїх груп даних.

Приєднуйтесь до Ферна Гальпера, віце -прем'єр -міністра дослідження в TDWI, а також експертів з Opsera та Databricks, коли вони обговорюють, як автоматизація та DevOps перетворюють сучасні середовища даних. Теми включають:

• Як принципи DevOps застосовуються до інженерії даних та аналітичних робочих процесів
• Практичні стратегії автоматизації для команд даних
• Як Opsera та Databricks дозволяють масштабовані, сучасні практики даних

Гостьові доповідачі

Андрес Зуніга
Інженер старших масштабів
Даних

Мене звуть Андрес Зуньєга, і я інженер -рішення для старших рішень у Databricks. Маючи досвід розробки та впровадження складних рішень для платформи, я розробив сильну експертизу в галузі керівних клієнтів підприємств завдяки успішному прийняттю та оптимізації технологій даних даних. Я тісно співпрацюю з клієнтами, щоб забезпечити безперебійну інтеграцію цих можливостей, дотримання найкращих практик галузі та суворих рекомендацій, встановлених датами. Мої обов'язки включають надання технічних рекомендацій та дозволу клієнтам максимізувати значення своїх даних та аналітичних процесів. Крім мого основного фокусу в Databricks, я маю великий досвід роботи з хмарними системами та сучасною інфраструктурою CI/CD.

Кришна Равіпаті
Керівник відділу інженерії даних та аналітики
Духовка

Кришна Равіпаті-досвідчений лідер даних та аналітики, який має понад 19 років досвіду, що сприяє ініціативам підприємства в галузі інженерії даних, бізнес-розвідки та інтеграції AI/ML. Як керівник відділу інженерії даних та аналітики в OPSERA, він очолює стратегію даних та модернізацію платформ для забезпечення вимірюваної цінності бізнесу. Кришна виконував ключові керівні ролі в Gen ™, Symantec та Cisco, приносячи глибокий крос-функціональний досвід між маркетингом, продажами, ланцюгом поставок, HR та DevOps.

Дата: 6 червня 2025 року

Час: 9:00 ранку ПТ

Папороть Гальпер, к.т.н.

Ось швидкий огляд інструментів з відкритим кодом на базі AI, які забезпечують посилений захист мережевих систем проти ряду кібер-атак.

Програми штучного інтелекту (AI) за допомогою розширених чатів є нормою сьогодні в галузях, таких як охорона здоров'я, роздрібна торгівля та фінанси. Запуск Chatgpt від OpenAI супроводжувався випуском багатьох чатів AI для декількох програм. Деякі з основних випусків, що слідували за чатом, включають Близнюки, здивування, чатпдф, болт і милий. Наразі численні чат -боти розробляються і незабаром будуть запущені для декількох доменів.

Глобальний розмір ринку AI був оцінений приблизно в 200 мільярдів доларів у 2023 році, і, за прогнозами, він зросте в CAGR близько 36% між 2023 та 2030 роками.

AI в кібербезпеці та мережевій криміналістиці

AI не тільки корисний для написання контенту, але й для додатків, пов'язаних з цифровою криміналістикою та управлінням мережею. Він може бути використаний для кібер -криміналістики, мережевої аналітики та інформаційної безпеки (табл. 1).

AI в кібербезпеці та мережевій криміналістиці	Кібер-обман
Оцінка кібер-ризику, орієнтованого на AI	5G та IoT
AI-керований SOC (Центр операцій з безпеки)	Тестування на проникнення
Виявлення та відповідь кінцевої точки, що працює на AI (EDR)	Брандмауери та IDS/IPS
Оптимізація SIEM, що працює на AI	Змагальне виявлення AI
Виявлення аномалії	Автоматизована відповідність конфіденційності даних
Автоматизована реакція інциденту	Автоматизоване управління патчами
Виявлення ботнету	Автоматизація хмарної безпеки
Оцінка кібер -ризику	Безпека DNS
Темний моніторинг веб -сайтів	Технологія обману
Виявлення Deepfake	Цифрова криміналістика
Зашифрований аналіз трафіку	Аналіз журналів криміналістики
Виявлення шахрайства	Управління ідентичністю та доступом (IAM)
Виявлення інсайдерської загрози	Аналіз зловмисного програмного забезпечення
Аналіз мережевого трафіку	Фішинг -виявлення
Прогнозування розвідки	Квантова криптографія
Захист викупу	Безпечні DevOps (Devsecops)
Інформація про безпеку та управління подіями (SIEM)	Безпека ланцюгів поставок
Виявлення та профілактика загрози	Полювання на загрозу
Аналітика поведінки користувачів (UBA)	Голос та чат -безпека
Нульова довіра безпеки	Самоосвітній ШІ для адаптивної безпеки

Таблиця 1: Ключові програми та випадки використання ШІ в кібербезпеці та управлінні мережею

Нижче наведено кілька інструментів з відкритим кодом, що базуються на AI, які є популярними для кібер-криміналістики та аналітики мережі.

Інтелектуальна розвідка та SIEM (Інформація про безпеку та управління подіями) Інструменти

Вазу (https://wazuh.com)

Wazuh-це інструмент моніторингу з відкритим кодом, інтегрований із безпекою кінцевої точки, що працює на AI, аналізу та оцінках журналу. Він використовує розширене виявлення та реагування (XDR), а також можливості безпеки та управління подіями (SIEM), щоб запропонувати єдину платформу для різноманітного захисту.

Його функції безпеки кінцевої точки включають виявлення зловмисного програмного забезпечення, оцінку конфігурації та моніторинг цілісності файлів. Відповідність регуляторних норм, реагування на інциденти та гігієна ІТ складають свої операції з безпеки. Він також пропонує аналіз даних про журнал, полювання на загрози та виявлення вразливості. Хмарні функції безпеки включають управління поставою, захист контейнерів та захист навантаження.

Wazuh інтегрує комплексні механізми безпеки для декількох кінцевих точок та цифрової інфраструктури і може бути використаний для високопродуктивної безпеки та додатків на основі конфіденційності.

Нещастя (https://www.misp-project.org/)

MISP-це високопродуктивна платформа для розвідки, аналітики та оцінок, що використовують AI, використовуючи AI для виявлення та співвідношення кіберзагроз.

Він використовується в різних програмах цифрової криміналістики для зберігання, обміну та співпраці над операціями на основі шкідливих програм та кібербезпеки. Він працює над аналітикою та запобіганням кібер -шахрайств, погроз та нападів.

Аналіз мережевого трафіку та інструменти виявлення вторгнень

За курс (zeek.org/)

Zeek – це інтегрований інструмент для аналізу трафіку та моніторингу мережі. Платформа використовується для аналітики та прогнозування зловмисного програмного забезпечення та підозрілого трафіку в мережі та цифровій інфраструктурі.

Хропіти (Snort.org/)

Це система виявлення вторгнень (IDS) для виявлення загроз мережі. Моделі на основі AI можуть використовувати його для управління мережею та аналітики.

Сурфорд (suricata.io/)

Цей інструмент IDS/IPS з відкритим кодом має функції виявлення загрози та інтегрується з AI для глибокої аналітики даних та цифрової інфраструктури.

Дітям (virustotal.github.io/yara/)

Яра орієнтована на зловмисне програмне забезпечення та класифікує напади, пов'язані з конкретними підписами мережі. Механізми, засновані на правилах, можна запрограмувати в цей інструмент, щоб напади можна було ефективно оцінити.

ВІДЧИНЕНО (OpenVas.org/)

OpenVAS-це багатофункціональний сканер для виявлення різних типів вразливості та атак у мережевому середовищі. Він може оцінювати та визначити пріоритетні різні протоколи.

Квапка (clamav.net/)

Clamav-це високопродуктивна платформа, яка використовується для виявлення та глибокої оцінки шкідливих програм, вірусів, троянців та зловмисних загроз. Він може бути використаний для сканування файлів та аналітики підписів.

Інструмент моніторингу безпеки та моніторингу журналів кінцевої точки

оскій (Osquery.io/)

Osquery використовується для тестування, аналітики та безпеки кінцевої точки та фокусується на безпеці потоків та витоках пам'яті. Він може бути використаний для запиту систем для зйомки критичної інформації, яка потім аналізується на застосування на основі криміналістики та прогнозовану аналітику.

Ці інструменти та рамки можуть використовуватися залежно від проблеми безпеки, таких як зловмисне програмне забезпечення, троянці, вразливості, файли журналів тощо.

У галузі, де одна погана партія може означати мільйони втрат, або, що ще гірше, надійні та контекстні AI є критичним компонентом у створенні безпечнішої, розумнішої ланцюга поставок.

Штучний інтелект (AI) вже не є амбіцією майбутнього стану для промисловості продовольства та напоїв (F&B); Це тут. А бренди, що переносять, починають використовувати його для досягнення якості, безпеки та регуляторних гарантій, які ми, як споживачі, вимагаємо продукції, яку ми їмо та п'ємо. Сила великих мовних моделей (LLMS) незаперечна, але справжній прорив не в їх загальних можливостях. Натомість мова йде про те, як їх можна стратегічно адаптувати для вирішення проблем, пов'язаних з галузями, не жертвуючи безпекою, швидкістю чи довірою.

Для галузі, настільки складної та високорегульованої, як F&B, навчання моделі AI з власних даних є дорогим та технічно залученим, і вона може ввести потенційні ризики конфіденційності. Краща альтернатива, що виникає як чітка найкраща практика,-це застосування «рівня знань», що використовує комерційні LLM, поряд із структурами даних, які забезпечують галузевий контекст, семантичну чіткість та інтелект, що стосується домену. Це може приймати декілька форм, але все більш важлива частина головоломки-це техніка, відома як покоління, що виходить з пошуку (RAG), яка дозволяє користувачам поєднувати переваги сучасного генеративного ШІ з точністю, контролем та гарантуванням, необхідними для безпеки харчових продуктів та дотримання.

Поза межами галасу: там, де генеративний ШІ може не вистачати

LLM довели свою корисність у широкому спектрі додатків – від написання електронних листів до кодування та обслуговування клієнтів, але вони лише такі хороші, як і дані, з якими вони повинні працювати. LLM, який навчається на великих наборах даних, що виникають, наприклад, з платформ соціальних медіа, може не дати точних відповідей на більш вузькі, більш технічні питання. Це стає викликом при роботі з складною мовою, контекстом та регуляторними нюансами галузі F&B.

У справі з заявами про алерген, дотриманням рівня інгредієнтів або оцінками ризику постачальника, AI, що не має достатньо хороших. Моделі загального призначення можуть дати правдоподібно звучав, але небезпечно неточні результати: галюцинації. У контексті безпеки харчових продуктів це не просто технічна вигадка – це відповідальність і ризик не варто взяти.

Застосування AI у високорегульованих галузях, таких як F&B, вимагає AI, обґрунтованого фактами, щільно підданих завданням, що знаходиться в руці, і переконливо точним. Ось де архітектури, що знаходяться в домені, такі як ганчірка.

Див. Також: Основні уроки для побудови ефективних ганчіркових систем

Чому ганчір має значення в контексті F&B

Покоління, що надходить, покоління мостить розрив між можливостями AI та специфічними потребами в галузі. Замість того, щоб тренувати модель, яка передбачає навчання її з нуля, використовуючи масові власні набори даних, RAG використовує попередньо підготовлений LLM як двигун міркувань. Потім ця модель підключена до ретельно структурованого, зовнішнього сховища даних: “шар знань”.

Коли користувач ставить питання або ініціює робочий процес, модель не покладається на загальну підготовку. Натомість він отримує відповідну інформацію з рівня знань і використовує її для керівництва та підтвердження його відповіді. Це гарантує, що результати є контекстуально актуальним, так і фактично обґрунтованим у даних, які найбільше мають значення для бізнесу.

Ще одним важливим аспектом рівня знань є те, що він може містити інформацію, характерну для даної компанії, але в безпечній, федеральній структурі, яка забезпечує конфіденційність даних. LLMS можна запобігти доступу (і запам'ятовувати) фірмової інформації, але відповіді, які вони генерують, все ще можуть бути підтверджені для точності щодо даних про рівень знань. Для F&B це означає, що рівень знань може включати в себе галузеві ресурси, такі як регуляторні бази даних, але також може (якщо користувач вибирає) включати більш конфіденційну інформацію, отриману з специфікацій інгредієнтів, документації постачальників, записів аудиту тощо.

Високі ставки відповідності

Бренди F&B стикаються з деякими найвибагливішими регуляторними середовищами будь -якої галузі. Між Законом про модернізацію безпеки харчових продуктів FDA, міжнародними стандартами, такими як Регламент вирубки лісів Європейського Союзу, та вимоги, що накладені на клієнтів, відповідність є рухомою ціллю. Додати складність управління сотнями чи тисячами постачальників, що охоплюють все, від упаковки до інгредієнтів у глобальних ланцюгах поставок; Не дивно, що команди часто намагаються не відставати.

У світі їжі та напоїв ручні процеси все ще є нормою для всього, від затвердження постачальників до відповідності специфікацій та перевірки документів. Нещодавнє опитування показало, що 48% постачальників все ще використовують ручні електронні таблиці для управління щоденними завданнями, процесами та обміном документами. Понад дві третини (71%) визнають, що застарілі процеси іноді або часто створюють проблеми у своїй щоденній роботі. Ці завдання є важливими, але трудомісткими і часто схильними до людських помилок.

Рішення AI, що знаходяться в домені, що працюють від архітектури шарів знань, можуть автоматизувати та покращити ці робочі процеси. Наприклад, AI може позначити невідповідності між документами постачальника та специфікаціями продукції, запобігаючи помилкам, перш ніж вони вступають у виробничий процес. AI також може перехресно перевірити вміст упаковки для дотримання регіональних законів, сканування сертифікатів, історії аудиту та зовнішніх джерел, таких як відкликання, ідентифікація постачальників ризику.

Швидше, безпечніше, розумніше

Застосування підходу з шару знань пропонує найкращі з обох світів: спритність та сила LLMS без складності чи ризиків, пов'язаних з навчанням LLM з нуля. Не потрібно передавати обсяги чутливих даних для навчання обсягу. Натомість підприємства зберігають повний контроль над своєю фірмовою інформацією, яка індексується та отримується на вимогу і ніколи не зберігається і не змінюється самим LLM.

Архітектура також дозволяє набагато швидше розгортати рішення. Будівництво та навчання на замовлення модель може зайняти місяці та значну інвестицію. На відміну від цього, система на основі ганчірки може працювати в частку часу, що дозволяє командам швидко реалізувати цінність і поступово масштабувати. Оскільки ШІ витягується з кураторного, надійного джерела, результати є більш надійними, що є важливим для галузі високих ставок, де неправильні припущення можуть призвести до регуляторних штрафів або відкликання продукту.

Важливо також зазначити, що розвиток ШІ не стоїть на місці. Просуваючись вперед, системи AI не тільки використовуватимуть структуровані дані для підтвердження їх висновків, але й зможуть застосувати процеси логіки, наборів правил та визначення відносин для сприяння точності обчислення, що дозволяє системам швидко вирішувати складні сценарії оптимізації та інші проблеми швидко та ефективно.

Спеціалізований інтелект – це конкурентна перевага F&B

Одним з найбільш перспективних аспектів такого підходу є перетворення внутрішніх даних компанії на справжній стратегічний актив. Хоча він заснований на комодизованій основоположній моделі, значення полягає в тому, що належить до неї. Унікальна сукупність технічних характеристик, політики, записів аудиту та оперативних знань та оперативних знань стає диференціатором.

На практиці це означає, що дві компанії, що використовують один і той же LLM, можуть генерувати різні результати, якщо одна внутрішньо інвестує в створення міцного структурованого рівня знань, а інший – ні.

Він також відкриває двері для інновацій у прогнозному управлінні ризиками. Поєднуючи історичні дані, продуктивність постачальників та зовнішні сигнали, ці системи можуть почати передбачити потенційні проблеми, перш ніж вони відбудуться, позначаючи тенденції або аномалії, які потребуватимуть людських команд днів або тижнів, щоб розкрити вручну.

Заключне слово про AI та індустрію F&B

Тиск на бренди для інновацій та доставки безпечніших продуктів харчування та напоїв ніколи не зникне і не стане простішим. Очікування споживачів навколо прозорості зростає. Регулюючий контроль затягується. У той час як об'єм та швидкість даних продовжують зростати.

У цьому контексті точний, застосований AI-це не просто приємна. Це швидко стає важливою частиною інфраструктури для будь-якої організації, серйозної щодо того, щоб залишатися сумісними, конкурентоспроможними та готовими до майбутнього. Успіх вимагає продуманого підходу до управління даними, чіткого розуміння того, де AI додає цінності, та зобов'язання створити правильну основу знань.

У галузі, де одна погана партія може означати мільйони втрат, або, що ще гірше, надійний ШІ не є лише технологічною віхою. Це критичний інгредієнт у створенні безпечнішого, розумнішого ланцюга поставок.

Включення нових технологій

Зокрема, інструменти штучного інтелекту (AI) викликали інтерес у всій території правління, викликаючи питання, що змінюють парадигму в бізнесі та академічній роботі та дослідженні, а також більш широкі соціальні та етичні наслідки алгоритмів машинного навчання та інноваційних порушень.

“Через 10 років ми побачимо більше реального впливу, який AI матиме на наших робочих місцях”, – сказав Кейн. “Зараз у нас є доказ концепції та розробки прикладів, але знадобиться час, щоб набори навичок були повністю оптимізовані для ШІ. Хороша новина полягає в тому, що ще не пізно, і кожен повинен вчитися”.

Ось чому Кейн включає аналітику на базі AI на курсах виконавчої освіти в кампусі UGA's Buckhead. Більшість студентів виконавчої влади, за його словами, не використовували такі інструменти, як Chatgpt або інші моделі вивчення мови, і він заохочує практичну практику.

“Багато професіоналів не встигли перевірити ці інструменти, або їх організація перешкоджає цьому”, – сказав він. “Наша аудиторія стає для них пісочницею для навчання. Це навички, які всі знадобляться, і вони повинні бути вчинені в кожній частині навчальної структури в цей момент”.

Наприклад, IIBAI може слугувати тестуванням для великих вищих навчальних закладів, включаючи UGA, щоб зрозуміти, як АІ та інші інструменти можна ефективно інтегрувати в інструкцію.

“У нас ніколи не було такого ресурсу, і всі ми намагаємось знайти правильний шлях вперед”, – сказав Корнуелл. “Хоча це залишається викликом, нам потрібно допомогти людям орієнтуватися”.

Робота з галузевими групами також спонукала до нового способу викладання та включення аналітики даних у навчальну програму бакалаврату. Кілька років тому співпрацюючи з Центром академічних ресурсів EY, професор Маргарет Христос розробила та інтегровані конкретні технологічні справи, що стосуються своїх курсів з бухгалтерської аналітики, які продовжують розвиватися і сьогодні.

“Використання навчальної програми, що базується на випадках, та включення вмісту в реальному світі до класів було надзвичайно корисним для студентів для розвитку мислення аналітики”,-сказав Христос, директор школи бухгалтерського обліку Террі коледжу.

Студенти вчаться розуміти питання фірми, готувати відповідні дані, застосовувати відповідні аналітичні методи даних та чітко повідомляти про результати із зацікавленими сторонами. Ключове мислення та ретельний аналіз є ключовими.

“Наша професія принципово змінюється, і те, як наші випускники працюють дуже орієнтовані на дані”,-сказала вона. “Зараз ми можемо розглянути набагато більш повні та складні дані, ніж раніше, і наш набір навичок повинен змінитися, щоб відобразити це”.

Наприклад, у 2020 році дослідження Христос та його колеги проаналізували, як безпілотники використовуються аудиторами сільського господарства для підрахунку великої рогатої худоби. Раніше працівники фермерських господарств та аудиторів вимагали фізично рахувати худобу. Тепер безпілотники та інші нові інструменти можуть зафіксувати зображення та кількість підрахунків, що призводить до кращої ефективності та точності та меншого стресу для тварин.

“Ми бачимо так багато цікавих способів використання нових технологій разом із традиційними методами бухгалтерського обліку та аналітики”, – сказав Христос. “Ми тільки починаємо дряпати поверхню того, що можливо – і як різні зацікавлені сторони ставляться до цього”.