Категорія: Великі Дані та Аналітика

AI, великі дані та розвідки розвідки про місцезнаходження сприяють революції в комерційній нерухомості. Ці технології дають брокерам, орендарям та інвесторам, орієнтованими на дані, що покращують прийняття рішень та зниження ризиків. У міру того, як галузь стає все більш складною, такі платформи, як Реалізація Використовуйте ці досягнення. Кращі інвестиційні рішення приймаються зацікавленими сторонами в результаті.

Роль ШІ в CRE

AI в комерційній оцінці нерухомості

Що стосується оцінки, AI вже змінює те, як професіонали CRE оцінюють тенденції ринку та вартість майна. Це пояснюється тим, що інструменти прогнозування аналітики використовують історичні дані для прогнозування майбутніх результатів, що полегшує брокерам та інвесторам виявити перспективні можливості та уникнути загроз. Ці рішення також допомагають підвищити точність, що є критично важливим, де невеликі неточності можуть призвести до значних втрат.

Посилення управління ризиками за допомогою ШІ

Інша сфера, де AI покращує ландшафт CRE, – це управління ризиками. Автоматизуючи обчислення ключових фінансових показників, таких як співвідношення боргу до доходу, співвідношення позики та вартості та коефіцієнт покриття боргу, AI допомагає впорядкувати процес андеррайтингу та зменшити різні фактори ризику в інвестиційних операціях. Крім того, він може контролювати умови портфеля в режимі реального часу та попередити професіоналів CRE про будь -які зміни, щоб вони могли вжити оперативних заходів, щоб мінімізувати ризики та оптимізувати свої інвестиції.

Виклики та майбутній потенціал ШІ в CRE

Як результат, потенціал AI перетворити галузь CRE є значним. Однак повні переваги технології ще не реалізовані через кілька бар'єрів. Щоб подолати ці виклики, професіонали CRE повинні продемонструвати цінність ШІ для своїх функціональних лідерів та організаційних зацікавлених сторін. Це вимагає демонстрації того, як AI може надати нові уявлення, посилити прийняття рішень, впорядкувати збір та аналіз даних, забезпечити кращий досвід роботи на робочому місці та сприяти ефективності роботи.

Вплив великих даних на комерційну нерухомість

Аналітика великих даних та штучний інтелект працюють разом, як потужний дует, щоб сприяти інноваціям та ефективності в галузях. Перший забезпечує харчування для другого, забезпечуючи масштабні набори даних, які алгоритми навчання палива та покращують їх корисність до підприємств.

Як AI обробляє великі дані для CRE

AI дозволяє підприємствам швидко та точно обробляти великі дані, що дозволяє їм вживати активних дій. Це також допомагає їм помітити тенденції та візерунки в режимі реального часу. Приклади включають: виявлення шахрайських транзакцій у банківській справі, моніторинг життєвих сил пацієнтів у охороні здоров'я та оптимізацію продуктивності обладнання в енергетиці.

Прогнози ринку та стратегії ціноутворення, орієнтованих на AI

У роздрібній торгівлі AI дозволяє компаніям прогнозувати попит на товар, прогнозувати продаж та автоматизувати стратегії ціноутворення. Це також дозволяє роздрібним торговцям оптимізувати рівні запасів та уникати переопрацьованих або запасів. Наприклад, британський бренд моди Burberry використовує AI прогнозовану аналітику, щоб запропонувати персоналізований досвід покупок своїм клієнтам.

Використання AI для аналізу настроїв та розуміння клієнтів

ТЕХНОЛОГІЇ AI, такі як обробка природної мови та Витяг розпізнавання зображень із неструктурованих даних, що дозволяє компаніям аналізувати настрої соціальних медіа та відгуки клієнтів або вдосконалювати свої продукти за допомогою чатів та голосових помічників.

Візуалізація великих даних та прийняття рішень

Більше того, великі платформи даних з можливостями AI дозволяють користувачам легко вивчати та візуалізувати свої дані, видаляючи бар'єр між людьми та машинами. TharksPot-це рішення AI-класу, яке дає можливість користувачам розповідати потужну історію даних з автоматизованими уявленнями та візуалізаціями, де-декольте. Попросіть демонстрацію, щоб побачити, як платформа AI, що працює на AI, перетворює ваш бізнес.

Сила розвідки про місцезнаходження

Географічні дані є вирішальним надбанням для бізнес -додатків, таких як вибір сайтів, управління ланцюгами поставок та оцінка ризику. Це також потужний інструмент для оптимізації операцій, здобуття конкурентної переваги та надання персоналізованого досвіду.

Посилення розуміння клієнтів та маркетингових стратегій

LI дозволяє підприємствам розуміти моделі поведінки клієнтів, покращувати маркетингові кампанії та пропонувати цільові акції. Це призводить до підвищення продажів та покращення рентабельності інвестицій.

Оптимізація проникнення на ринок у галузі QSR

Наприклад, ресторани швидкого обслуговування (QSRS) можуть використовувати LI для виявлення тенденцій поведінки споживачів та відображення їх у своїх торгових точках для кращого проникнення на ринок та чудового досвіду клієнтів.

Впорядкування операцій у промисловому та енергетичному секторах

Li також використовується промисловими компаніями для упорядкування виробничих процесів, оптимізації операцій ланцюгів поставок та визначення нових інвестиційних можливостей. Енергетичні компанії покладаються на розвідку про місцезнаходження для оцінки екологічних ризиків, візуалізації активів та оптимізації мереж.

Зростання роздрібної торгівлі та фінансових послуг

Крім того, роздрібні бренди використовують розвідку про місцезнаходження для визначення моделей підплутування клієнтів та визначення оптимальних місць магазинів, що призводять до доходу. Аналогічно, фірми з фінансових послуг використовують розвідку про місцезнаходження для пошуку ринків з високим попитом для вступних відділень та банкоматів, а також оцінки кредитного ризику з використанням регіональних економічних тенденцій та цінностей нерухомості.

Майбутні тенденції в AI та великі дані для нерухомості

Потреба в масштабованих технологіях та безпеці даних

Великі дані та AI – це потужні інструменти для трансформації комерційної нерухомості. Разом вони дозволяють компаніям створювати розумніші стратегії, стимулювати бажані результати та отримувати конкурентну перевагу. Однак, щоб максимально використати ці технології, підприємства повинні гарантувати, що вони мають необхідну інфраструктуру. Сюди входить інвест у надійні, масштабовані технологічні платформи, які можуть обробляти масивні набори даних та складні алгоритми AI.

Застосування в реальному світі та зростання бізнесу

Крім того, підприємства повинні впроваджувати політику, яка забезпечує якість та безпеку даних. Це допоможе створити довіру з клієнтами та забезпечити дотримання правил. Крім того, підприємства повинні інвестувати в навчальні програми для найму та утримання кваліфікованих аналітиків та вчених даних. Це дозволить їм розвивати та підтримувати надійні, передові моделі AI та алгоритми.

На закінчення

Прийняття рішень на основі даних стає все більш важливим, оскільки штучний інтелект, великі дані та інтелект локації продовжують перетворювати індустрію комерційної нерухомості. Надаючи інвесторам діючі дані, платформи, такі як Realmo, допомагають їм залишатися випереджаючи криву в секторі, який стає все більш динамічним. Професіонали CRE можуть приймати швидше, більш обізнані та більш прибуткові рішення, використовуючи ці інструменти.

Блог, отриманий на електронному листі

1 квітня 2025 року1 квітня 2025 року

Ліор Реннерт, асоційований декан з питань охорони здоров'я та директор Університетського центру Клемсона з питань моделювання та реагування на охорону здоров'я (CPHMR), був нещодавним гостем про Talk ID, подкаст з Товариства інфекційних захворювань Америки (IDSA).

Під час сегмента, використовуючи аналітику та прогнозування захворювань на охорону здоров'я, Реннерт приєднався до Ділана Джорджа, директора Центру контролю та профілактики захворювань (CDC) для прогнозування та аналітики спалахів (CFA) та ведучого подкасту Mati Hlatshwayo Davis, доктора медичних наук, для успішного обговорення даних про дію, що займаються успішними ділянками, довіри до успіху в успіхах. місцеві громади.

Реннерт поділився тим, як CPHMR та CFA використовують унікальні аналітичні рамки даних, нові технології, такі як штучний інтелект (AI) та нетрадиційні джерела даних, включаючи соціальні медіа, для прогнозування спалахів та виділення основних ресурсів для громад з високим ризиком.

Крім того, Реннерт поділився, наскільки сильні партнерські стосунки між системами охорони здоров'я Південної Кароліни, академічними установами та медичними агенціями посилили можливості обміну інформацією та колективні результати здоров'я. Завдяки стратегічному збору та інтеграції даних, інноваційному моделюванні та співпраці в розробці програмного забезпечення, дослідники створили об'єднані рамки прогнозування та реагування на надзвичайні ситуації для обслуговування потреб партнерів у цілому.

Реннерт заявив, що співпраця та залучення громад були невід'ємними у створенні взаємної довіри та забезпеченні інструментів, рамок та програмного забезпечення задоволення потреб людей та громад у країні та поза – покращення результатів здоров'я сьогодні та в майбутньому.

“Це було привілеєм приєднатися до доктора. Джордж та Девіс про розмову ID, щоб поділитися більше про нашу роботу над покращенням поточних та майбутніх результатів здоров'я для громад Південної Кароліни за допомогою аналітики даних та прогнозування інфекційних захворювань”, – сказав Реннерт. “Підкаст-це чудовий форум для обговорення новаторських дослідницьких ініціатив для покращення зусиль з реагування на спалах та мінімізації економічних зривів у Південній Кароліні та нації”.

Центр моделювання та реагування на охорону здоров'я призводить до моделювання та аналітики хвороби для інформування про готовність до спалаху, реагування, втручання, пом'якшення та усунення в ініціативі Південної Кароліни (DMA-Prime), що фінансується за допомогою гранту в розмірі 17,5 мільйонів доларів від CDC.

Наразі сучасне програмне забезпечення DMA-Prime в даний час використовується мобільними клініками охорони здоров’я по всій Південній Кароліні для проведення інфекційного скринінгу та лікування громади під час спалахів-поліпшення результатів здоров'я та загальних витрат на охорону здоров'я за рахунок зменшення прийому у відділення надзвичайних ситуацій.

DMA-Prime-одна з 13 ініціатив у партнерських установах, що включають Insight Net, національну мережу центрів, розроблених для інформування та покращення виявлення спалахів та реагування по всій країні. Insight Net має на меті розвивати потужність на державному та місцевому рівні, встановлюючи шляхи обміну даними, створення інфраструктури для реагування на надзвичайні ситуації та визначення ключових напрямків фокусування для інфекційного моделювання захворювань по всій країні.

Для повного подкасту відвідайте: https://bit.ly/427zqtn.

З Коледж поведінкових, соціальних та медичних наук (CBSHS) був заснований у липні 2016 року. CBSHS-це коледж з земельною ділянкою 21 століття, який поєднує роботу в дев'яти дисциплінах-спілкування; догляд; парки, відпочинок та управління туризмом; політологія; психологія; Наук про охорону здоров'я; Соціологія, антропологія та кримінальне правосуддя – для подальшої місії “побудови людей та громад” у Південній Кароліні та за її межами.

Чотири скелясті планети, значно менші, ніж Зірка Орбіта Барнарда, наступна найближча до нашої після тризіркової системи Альфа Кентавра. Барнард – найближча єдина зірка.

Зірка Барнарда, шість світлових років, є горезвісною серед астрономів за історію помилкових виявлень планет. Але за допомогою високоточних технологій останнє відкриття-сім'я з чотирьох-видається твердо підтвердженим. Крихітний розмір планет також чудовий: захоплення доказів малих світів на великій відстані-це високий порядок, навіть використовуючи найсучасніші інструменти та методи спостереження.

Спостереження за коливаннями у світлі від зірки є одним із провідних методів виявлення екзопланет – планет, що обертаються іншими зірками. Ця техніка “радіальна швидкість” відстежує тонкі зрушення в спектрі зоряного світла, спричиненого гравітацією планети, що тягне свою зірку вперед і назад як орбіти планети. Але крихітні планети ставлять головну проблему: чим менша планета, тим менша тягнення. Ці чотири знаходяться між приблизно п’ятим і третьою настільки ж масовою, як Земля. Зірки також, як відомо, тремтять і землетрус, створюючи фоновий «шум», який потенційно може затоплювати порівняно спокійні сигнали від менших, орбітальних світів.

Астрономи вимірюють зміну зоряного світла в метри в секунду; У цьому випадку радіальна швидкість сигналів від усіх чотирьох планет становить слабкі шепіт – від 0,2 до 0,5 метра в секунду (людина ходить приблизно на 1 метр в секунду). Але шум від зоряної активності майже в 10 разів більше на 2 метри в секунду.

Як відокремити сигнали планети від зоряного шуму? Астрономи виготовляли детальні математичні моделі землетрусів та тремтіння зірки Барнарда, що дозволило їм розпізнати та видаляти ці сигнали з даних, зібраних із зірки.

Новий документ, що підтверджує чотири крихітні світи-позначені B, C, D та E-покладається на дані Maroon-X, на інструменті радіальної швидкості “екстремальної точності”, прикріпленого до телескопа Близнюків на горі Маунакеа на Гаваях. Це підтверджує виявлення планети “B”, зроблене з попередніми даними Espresso, приладом радіальної швидкості, прикріпленим до дуже великого телескопа в Чилі. І нова робота розкриває три нові планети братів і сестер в одній системі.

Ці планети орбітують свою зірку з червоним двою занадто близько, щоб бути заселеними. “Рік” найближчої планети триває трохи більше двох днів; Для найдальшої планети це просто сором’язливо сім днів. Це, ймовірно, робить їх занадто гарячими, щоб підтримувати життя. І все ж їх виявлення добре підходить у пошуках життя поза землею. Вчені кажуть, що невеликі, скелясті планети, як наші, – це, мабуть, найкращі місця для пошуку доказів життя, як ми це знаємо. Але поки що їх було найскладніше виявити та охарактеризувати. Вимірювання радіальної швидкості високої тотової швидкості в поєднанні з більш чітко зосередженими методами вилучення даних можуть відкрити нові вікна в житлові, потенційно несучими світами.

Зірка Барнарда була виявлена ​​в 1916 році Едвардом Емерсоном Барнардом, піонерським астрофотографом.

Міжнародна команда вчених на чолі з Рітвіком Басантом з Чиказького університету опублікувала свою статтю про відкриття “Чотири підземні планети, що обертаються з зіркою Барнарда з Maroon-X та еспресо”, в науковому журналі “Листи Астрофізичних журналів” у березні 2025 р. Планети були введені в архів NASA Exoplanet 13 березня, 2025.

Платформа, що проводить в галузі, інтегрує вдосконалену аналітику, масштабовані робочі процеси та діючі уявлення, що надають можливість організаціям розблокувати весь потенціал своїх даних та досягти вимірюваного впливу

Нью -Йорк, 31 березня 2025 року / Prnewswire/ – Aenaсвітовий лідер у галузі реальних доказів (RWE) технології та аналітики, сьогодні оголосив про наявність його^® Платформа доказів (AEP) на ринку Amazon Web Services (AWS), цифровий каталог із тисячами списків програмного забезпечення від незалежних постачальників програмного забезпечення, які дозволяють легко знайти, перевірити, купувати та розгорнути програмне забезпечення, яке працює на AWS. Цей запуск видаляє бар'єри впровадження, спрощує закупівлі та дає можливість організаціям наук про життя, платниками та регуляторами використовувати масштабоване, хмарне генерування доказів із безпекою та надійністю AWS.

AEP дає можливість організаціям аналізувати дані в реальному світі (RWD) для генерування прозорих, відтворюваних та регуляторних доказів для прийняття рішень у розробці наркотиків, доступу до ринку, політики та ціноутворення. Використовуючи AWS Marketplace, TETION впорядковує доступ до своєї платформи та надійних, придатних рішень для призначення, пристосованих для досягнення конкретних цілей кожної організації, а також прискорення часу та забезпечення дотримання глобальних регуляторних стандартів.

Ategion покладається на AWS як на свою основну інфраструктуру, використовуючи такі послуги, як Amazon Bedrock, щоб живити його штучний інтелект та машинне навчання (AI/ML),-наявні Розблокуйте приховані уявлення про населення пацієнтів і Перекласти науковий намір до результатів. Ці технології підвищують здатність AEP обробляти складний RWD в масштабі, що дозволяє складно створити гіпотезу та автоматизацію аналізу для генерування доказів.

“Наявність AEP на ринку AWS підкреслює нашу прихильність до надання масштабованих рішень з високим впливом, які допомагають організаціям зробити для них дані в реальному світі”,-сказав Jay Podenceстарший віце -президент з комерційних партнерських відносин. “Інтегруючи з AWS, ми пропонуємо нашим новим та існуючим клієнтам безперебійний шлях до розгортання та масштабу реальних досліджень доказів з підвищеною ефективністю та безпекою. Це перший крок у нашому баченні розширити нашу співпрацю з Aws, щоб принести більшу цінність для наших клієнтів. Зрештою, наша мета полягає в тому, щоб забезпечити реальну платформу реальних доказів, що повністю інтегрується з клієнтом AWS.”

Основні переваги доступності AEP на ринку AWS:

• Безшовні закупівлі: ринок AWS спрощує договори та виставлення рахунків, що дозволяє швидше отримати доступ до AEP.
• Масштабованість та продуктивність: Вбудована на AWS, AEP використовує хмарну інфраструктуру для обробки масштабних аналізів даних у реальному світі.
• Безпека та дотримання: AEP працює в безпечному середовищі AWS, узгоджуючись з регуляторними вимогами HIPAA, GDPR та 21 CFR.
• Інтеграція з послугами AWS: AEP безперешкодно інтегрує інструменти послуг та аналітики AI/ML, вдосконалюючи дані, керовані даними.

Запуск AEP у Ашт Ринок відзначає віху в Розіграш місія, що дозволяє ввімкнути RWD Аналітика в масштабі. Організації тепер можуть купувати та розгорнути AEP безпосередньо через Ашт Marketplace, розблокуючи потужні уявлення про клінічне та комерційне прийняття рішень.

Щоб дізнатися більше про Ation на ринку AWS, відвідайте ось.

Про

Aena^® є глобальною компанією з охорони здоров’я, яка надає рішення реальних доказів (RWE) біофармію, виробникам медичних виробів, платниками та регуляторами. Штаб -квартира в Нью -ЙоркЗастосовується перевірені епідеміологічні методи, причинний висновок та структуровану аналітику для перетворення даних у реальному світі (RWD) в розуміння рівня рішень. Платформа доказів^® (AEP) підтримує прогнозну аналітику, персоналізовані стратегії лікування та масштабовані рішення для регуляторних подань, доступу до ринку та клінічного розвитку. Визнаний для наукової суворості та прозорості, AETION надає прийняті регуляторні докази щодо безпеки, ефективності та цінності медичних методів лікування, що дозволяють лідерам охорони здоров’я для формування майбутнього медицини. Дізнайтеся більше на aetion.com і слідкуйте за нами LinkedIn.

Джерело

У четвер, 27 березня, Європейське космічне агентство (ESA) надіслало свої останні повідомлення космічному кораблі Gaia. Вони сказали Gaia закрити свої системи зв'язку та центральний комп'ютер і попрощалися з цим дивовижним космічним телескопом.

Гая була найуспішнішою космічною місією ESA коли -небудь, то чому вони вимкнули Гаю? Що досягла Гея? І, мабуть, найголовніше, чому це був мій улюблений космічний телескоп?

Біг на порожньому

Гая вийшла на пенсію з простої причини: після більш ніж 11 років у космосі вона закінчилася з холодного газового палива, необхідна для того, щоб сканувати небо.

Телескоп зробив останнє спостереження 15 січня 2025 року. Потім команда ESA проводила тестування протягом декількох тижнів, перш ніж повідомила Гаї залишити свій будинок у просторі в космосі, який називається L2, і почати орбіти сонця далеко від Землі.

L2 – одна з п’яти «лагрангійських точок» навколо Землі та Сонця, де гравітаційні умови створюють приємну, стабільну орбіту. L2 розташований за 1,5 мільйона кілометрів від Землі на «Темній стороні», навпроти сонця.

L2 – це високоцінне місце, оскільки це стабільне місце на орбіті, воно досить близьке до Землі для легкого спілкування, і космічний корабель може використовувати сонце за ними для сонячної енергії, дивлячись на сонце у космос.

Це також занадто далеко від Землі, щоб відправити когось на ремонтну місію, тому, як тільки ваш космічний корабель потрапить туди, він самостійно.

Зберігання L2

В даний час L2 розміщується космічний телескоп Джеймса Вебба (керується США, Європою та Канадою), Європейською місією Евкліда, Китайською орбітою Чанг'е 6 та спільною російсько-німецькою обсерваторією Spektr-RG. Оскільки L2 є таким ключовим місцем для космічних місій, важливо не відставати від сміття та у відставці космічного корабля.

Гая в останній раз використовував свої тремтіння, щоб відштовхуватися від L2, і тепер дрейфує по сонці на «пенсійній орбіті», де вона не потрапить нічим шляхом.

У рамках пенсійного процесу команда Gaia написала прощальні повідомлення в програмному забезпеченні ремесла та надіслала йому імена близько 1500 людей, які працювали над Гаї протягом багатьох років.

Що таке Гая?

Гая трохи схожий на спінінг -верхній капелюх у просторі. Основна його місія полягала в тому, щоб створити детальну тривимірну карту нашої галактики, Чумацький Шлях.

Для цього він вимірював точні позиції та рухи 1,46 мільярда об'єктів у просторі. Гая також вимірювала яскравість та мінливість, і ці дані використовувались для забезпечення температури, гравітаційних параметрів, зоряних типів та іншого для мільйонів зірок. Однією з ключових відомостей, які надав Гая, була відстань до мільйонів зірок.

Космічна вимірювальна стрічка

Я радіо -астроном, а це означає, що я використовую радіотелескопи тут, на Землі, для вивчення Всесвіту. Радіо світло – це найдовша довжина хвилі світла, невидима для людських очей, і я використовую його для дослідження магнітних зірок.

Але хоча я радіо -астроном і Гая був оптичним телескопом, дивлячись на однакові довжини хвилі світла, які можуть бачити наші очі, я використовую дані Gaia майже кожен день.

Я використовував його сьогодні, щоб дізнатися, наскільки далеко, наскільки яскраво і наскільки швидко була зірка. До Геї я, мабуть, ніколи не знав би, наскільки далеко була ця зірка.

Це важливо для з'ясування того, наскільки яскравими зірками я вивчаю насправді, що допомагає мені зрозуміти фізику того, що відбувається в них і навколо них.

Величезний успіх

Gaia сприяла тисячам статей у журналах астрономії. Документи, опубліковані співпрацею Gaia, були цитовані в цілому понад 20 000 разів.

Gaia створила занадто багато результатів науки, щоб поділитися тут. Взяти лише один приклад, Гая покращила наше розуміння структури нашої власної галактики, показавши, що вона має кілька спіральних озброєнь, які менш різко визначені, ніж ми думали раніше.

Насправді не кінець для Гаї

Важко висловити, наскільки революційна Гея була для астрономії, але ми можемо дозволити чисел говорити самі за себе. Близько п'яти статей журналу астрономії публікуються щодня, які використовують дані Gaia, що робить Gaia найуспішнішою місією ESA коли -небудь. І це не закінчиться повною зупинкою, коли Гея вийде на пенсію.

Співпраця Gaia досі опублікувала три випуски даних. Тут співпраця виконує обробку та перевіряє дані, додає деякий важливий аналіз і випускає все це в одному великому хіті.

І, на щастя, є ще два випуски великих даних з ще більшою інформацією. Четвертий випуск даних очікується в середині до кінця 2026 року. П'ятий та остаточний випуск даних, що містить усі дані Gaia з усієї місії, вийде десь у 2030 -х роках.

Ця стаття – це моя власна маленька данина телескопі, який змінив астрономію, як ми це знаємо. Тож я закінчу, сказавши величезну подяку всім, хто коли -небудь працював над цією дивовижною космічною місією, будь то інженерія та операції, перетворюючи дані на дивовижний ресурс, який він є, чи будь -яка з інших багатьох робочих місць, які роблять місію успішною. І дякую тим, хто продовжує працювати над даними, коли ми говоримо.

Нарешті, дякую моєму улюбленому космічному телескопі. До побачення, Гая, я буду сумувати за тобою.

Позиція-це всеосяжний набір інструментів SEO, розроблений для того, щоб допомогти бізнесом впорядкувати свої вхідні маркетингові стратегії. Платформа інтегрує дослідження ключових слів, оптимізацію контенту та аналітику, що дозволяє користувачам керувати своїм робочим процесом SEO в одному місці.

На відміну від традиційних інструментів SEO, орієнтованих на метрики на поверхневому рівні, позиція підкреслює діючі відомості, які дають реальні результати. Аналізуючи тенденції пошуку, продуктивність вмісту та наміри користувача, це дозволяє бізнесу вдосконалити свої стратегії та покращити видимість пошуку. Інструмент також допомагає маркетологам оптимізувати вміст для залучення та відкриття, відстежуючи продуктивність з часом. За допомогою підходу, орієнтованого на дані, позиційне прагне видалити здогадки від SEO та надати користувачам чіткий шлях до зростання. Будь то для стартапів чи встановлених брендів, він підтримує масштабовані вхідні маркетингові стратегії, які надають пріоритетність ефективності та впливу.

Кредит на зображення: “Позиція”

По мірі продовження весняного цвітіння та святкового сезону “манія культурної спадщини” все ще зростає в Китаї.

Згідно з даними, опублікованими Національною адміністрацією культурної спадщини (NCHA), музеї в Китаї отримали приблизно 72,65 мільйонів відвідувань з 29 січня по 4 лютого цього року, перші сім днів весняних фестивальних свят, щоденна відвідуваність збільшується на 12,84 відсотка порівняно з попереднім роком.

Крім того, 55 національних археологічних парків країни зафіксували майже 5,17 мільйонів відвідувань за той же період.

За даними NCHA, у 2024 році музеї в Китаї, як очікується, вітають понад 1,4 мільярда відвідувачів, встановивши новий рекорд.

До кінця серпня 2024 року в Китаї було офіційно зареєстровано 6 833 музеїв, висвітлюючи історію, мистецтво, науку, археологію тощо, повідомляє інформаційне агентство Сіньхуа.

Музеї служать життєво важливими просторами для вивчення історії та іскрового натхнення з культури. Зокрема, молодші покоління поступово стають домінуючими відвідувачами зміною, керованою постійним прийняттям музеїв інноваційних технологій.

В останні роки просування великих даних, хмарних обчислень та штучного інтелекту надали нові можливості для розвитку музею. Для залучення сучасної аудиторії великі музеї активно досліджують нові форми для задоволення потреб нового покоління аудиторії. Порівняно з традиційними виставками, молодші відвідувачі віддають перевагу інтерактивним, візуально вражаючим технологічним методам.

Сьогодні цифрові технології, такі як онлайн -цифрові виставки, віртуальна реальність (VR), розширена реальність (AR), взаємодія сенсорного екрана, потокові засоби масової інформації та живі інтернет -трансляції стали невід'ємною частиною музейних експонатів, перетворюючи спосіб переживання історії та культури.

Наприклад, Музей Палацу – це модель демонстрації культурних реліквій за допомогою технологій. Китайський художник Гу Гончжун під час п'яти династій (907-960) у мобільний додаток перетворило картину “Нічні журеї Хана Сізая”.

Художній твір був сканований у надвисокому визначенні, що дозволяє збільшити його до 40 разів більше розміру оригіналу. Відвідувачі можуть зануритися в картину, переглядаючи її в роздільній здатності понад 4K, не пропускаючи жодної деталі.

Цей супер деталізований досвід перегляду важко досягти на регулярних виставках. Уявіть, як молоді люди тримають свої телефони та використовують додаток для поїздки до п'яти династій та свідків жвавої сцени нічного банкетів Хана Сізая – як такий новий досвід не міг їх не зачарувати?

Окрім Музею палацу, інші музеї також розблокують нові технологічні враження.

Відвідувачі цифрового занурювального залу Данхуанг у печерах Могао на північно -західному Китайському провінції Гансу можуть носити окуляри VR, щоб «ввійти» на печери, і «подорожувати» протягом 1400 років, щоб випробувати вишуканий світ фресок.

Китайський керамічний музей Джингдезань у провінції Цзянсі в Східному Китаї поєднує в собі AR, AI та інші передові технології у своїй виставці цифрового світла та тіні, що дозволяє відвідувачам зануритися у фантастичний світ кераміки, переживаючи унікальну чарівність керамічної культури.

У нещодавно відкритому виставковому залі в Руїнах Інь в Айнангу, провінції Генань Центральної Китаю, який був відкритий для публіки в лютому 2024 року, 3D-технологія неозброєних очей об'єднує багато дорогоцінних культурних реліквій у одному просторі. Цей інноваційний дисплей змушує артефакти виглядати так, ніби вони розповідають давні історії для аудиторії.

У музеях природознавства інтерактивний досвід, орієнтований на технології, особливо захоплює дітей. Такі функції, як сенсорні екрани, віртуальні книги, голографічні проекції, фантомні зображення, кінотеатри з дуговим екраном та голографічні дисплеї відкривають двері для чудес науки, пропонуючи захоплюючий та динамічний досвід навчання.

З кінця минулого року до кінця лютого цього року Музей науки та технологій в Китаї в Пекіні розпочав занурюючу виставку, досліджуючи п'ять основних древніх цивілізаційних місць – Ліянгжжу, даосько -храму, Ерлітоу, Санксінгду та Інь -руїна – проводячи відвідувачі через питання: “Що робить цивілізацію?”

У виставковій залі репліки бірюзових артефактів у формі дракона від Erlitou дозволяють відвідувачам спостерігати за драконом тотему древніх людей поруч; Урочиста жертвна область висвітлює духовний світ стародавніх людей Шу через репліки артефактів Sanxingdui.

Відвідувачі також можуть відчути несподіване злиття різних стилів мистецтва, таких як маски Sanxingdui з синім та білим порцеляном, кіберпанком, мистецтвом Lego Pixel тощо.

Виставка також пропонує навчальну зону, спеціально розроблену для молодої аудиторії, де вони можуть відчувати археологічні розкопки в жертовних ямах Санксінгдуй, спробувати розумний живопис та дізнатись про стародавні методи виготовлення нефритів. Цей розважальний та освітній підхід дозволяє дітям здобувати знання, розважаючись, допомагаючи їм розвивати любов до історії та культури.

Цього року виставка розпочнеться загальнонаціональним турне, відповідний персонал з Китайського музею науки та технологій, повідомив Media. Це означає, що більше молодих людей матимуть можливість відчути чарівність злиття технологій та культурної історії.

Використовуючи технології, щоб втілити реліквії до життя та додати інтерактивність до історичних та культурних виставок, китайські музеї привертають привертій увагу молодих людей.

З постійним розвитком технологій очікується, що музеї введуть ще більш інноваційні заходи, що приносить більше сюрпризів для відвідувачів. Очікується, що все більше молодих людей займаються музейними турами, щоб відчути унікальний шарм старовинних цивілізацій та засвідчити, як історія та культура дихають новим життям у сучасну епоху.

Джерела: Голос акторів (VOC)

Будь ласка, відвідайте офіційний веб-сайт Voice of Cast, щоб знайти більше: https://voc-gj.cast.org.cn/

Процес статистичного аналізу

Аналіз цього дослідження показаний на додаткових малюнках1. Після збору даних ми створили моделі машинного навчання та логістичної регресії відповідно для порівняння їх продуктивності. Стратегії побудови машинного навчання та традиційних моделей логістичної регресії різні. Розглянемо питання про розмір вибірки, коли ми створили машинне навчання, ми їх згрупували у співвідношенні 8: 2.

Учасники характерні

Всього в дослідженні було включено 211 учасника. Загальний стан, фізіологічні показники, психологічний стан, поведінка та спосіб життя учасників представлені в таблиці 1. Середній вік учасників, у тому числі 92 чоловіки (43,60%) та 119 жінок (56,40%), становив 66,04 ± 8,60 років. Серед цих 91 пацієнтів з остеопорозу 120 не мали остеопорозу.

Частота CNV у групах з остеопорозом та без нього відображається в таблиці 2. Всього було виявлено 219 CNV, пов'язаних з остеопорозом; 8 з них були виявлені в попередніх дослідженнях, а 211 було виявлено в офіційних експериментах. З них 134 екземпляри NSSV659422 були дублікатами, тоді як решта 77 екземплярів (або один, або три примірники) мали варіанти кількості копій.

Вибір фактора ризику

Всі показники аналізували за допомогою однофакторної логістичної регресії та багатофакторного логістичного аналізу, як показано в таблиці 3. Оскільки однофакторний аналіз у цьому дослідженні показав, що було менше факторів ризику, якщо лише статистично значущі фактори в однофакторному аналізі були включені як незалежні змінні в багатофакторному логістичному регресійному аналізі, важливі фактори ризику, ймовірно, будуть пропущені. Тому це дослідження має включити всі змінні для аналізу та значущих змінних на екрані. Були статистично значущі відмінності у віці, статі, ІМТ, частоті серцевих скорочень та споживання алкоголю згідно з однофакторним аналізом. Багатоваріантний аналіз показав, що секс, сіль з низьким вмістом дію, TG, історія інсульту та CNV NSSV659422 були суттєво різними (С

Розробка та перевірка номограми з моделлю логістичної регресії

Для вибору змінних, які врешті -решт були включені в модель, використовувались вперед і назад поетапні методи з мінімізацією AIC. У таблиці 4 відображаються результати багатоваріантного логістичного регресійного аналізу. Модель прогнозування включала вік, стать, глюкозу, статус гіперглікемії, холестральний, серцевий ритм, історію перелому, історію інсульту, CNV NSSV659422, сіль з низьким вмістом. Серед них модель прогнозування остеопорозу мала незалежні фактори ризику для старіння, статі, холестральної та низької солі. (С

Рівняння логістичної моделі:

Logit (p) =-5,819+0,048AGE+1,328 СЕКС+0,072GLUCOSE-0,173CHOLESTRAL+0,025 Серце-0,614CNV NSSV659422+0,767 ІСТОРІЯ 0,843 ІСТОРІА

Для клінічного використання ми розробили модель номограми для прогнозування остеопорозу, як показано на рис. 1. Точки для ризику остеопорозу, глюкози, історії руйнування, CNV NSSV659422, частоти серцевих скорочень, історії інсульту, холестрального віку (років), сіллю з низьким вмістом спідня, статі та тотальними пунктами були організовані з-під протоку. У той же час ситуація першого об'єкта спостереження в наборі даних відображається на графіку та позначена червоними крапками, а його відповідні точки також позначені червоними крапками. Змінні глюкоза = 7,4, історія руйнування = ні, CNV NSSV659422 = Ні, частота серцевих скорочень = 62, історія інсульту = так, холестро = 0,89, вік = 69, низька сіль натрію = так, секс = чоловік. Після додавання відповідних точок загальні точки = 509, відповідна ймовірність становить 0,311.

Як показано на рис. 2, площа під AUC становить 0,751 (0,6859–0,8166.) Індекс Юдена становив 1,399, чутливість – 0,82, специфічність – 0,58, а значення обрізання кривої ROC – 0,363.

Відповідна калібрування моделі була показана графіком калібрування, яка показала, що очікувана ймовірність та фактична ймовірність були однаковими (рис. 3). Оцінка Brier моделі становила 0,199, що менше 0,25. Результати показали, що модель мала хорошу ступінь калібрування та послідовність прогнозування.

Старі дорослі можуть отримати хорошу чисту користь від моделі прогнозування, згідно з аналізом кривої рішення (DCA) [29]. Наприклад, слід зазначити, що логістична регресійна модель показує клінічну корисність у цілому діапазоні порогів ризику, коли поріг ймовірності прогнозування моделі номограми становить 0–0,75, особливо між 0,05 та 0,60, оскільки вона забезпечує більшу чисту користь порівняно з лікуванням усіх або ніхто з пацієнтів, що дозволяє припустити, що модель номограми має корисну клінічну застосовність (рис. 4).

Аналіз кривої клінічного впливу (CIC) проводили, як показано на рис. 5, щоб оцінити клінічну застосовність номограми прогнозування ризику. Наприклад, при порізі ризику в осі X 0,4 кількість людей, що ризикують за допомогою моделі клінічного прогнозування, яку ми побудували, становить близько 520, а фактична кількість людей, що перебувають у ризику, становить близько 300, із співвідношенням втрат-вигоди 75%. Коли ймовірність порогу перевищує 65% від ймовірності оцінки прогнозування, модель прогнозування визначає, що група остеопорозу високого ризику сильно відповідає фактичній групі остеопорозу, яка підтверджує високу клінічну корисність моделі прогнозування. Комбінд DCA та CIC, коли поріг становить від 0,65–0,75, модель прогнозування не тільки має хороший Benifit, але й має ефективність.

Для підтвердження моделі внутрішньо використовували переробку завантажувальної програми з AUC 0,75 (середнє значення 1000 зразків завантажувальної програми). Внутрішні результати перевірки показують, що модель прогнозування, застосована в цьому дослідженні, має хорошу надійність та послідовність. Результати переробки завантажувальної програми відображаються на рис. 6 та таблиці 5. Використовуючи 500 зразків завантажувальної програми протягом повного набору даних, очікуваний оптимізм моделі становив 0,014 для С-статистичного та 0,185 для нахилу калібрування. Очевидний С-статистичний для остеопорозу становив 0,751. С-статистичний, коригуючий оптимізм, становив 0,737, калібрувальний нахил-0,815, а калібрування в великій для всіх заходів продуктивності-

Виступи різних моделей

Таблиці 6 та 7, які представляють підсумок даних, що деталізують моделі, які використовуються для прогнозування остеопорозу, відображає конкретні результати різних моделей. Серед них модель SVM, виконана з найвищою точністю (0,754), а потім XGBoost (0,721), DT посіла найнижчу (0,651). Моделі логістичної регресії (LR) виявили найбільшу чутливість із значенням 0,751, а модель XGBoost показала найнижчу чутливість (0,588). Враховуючи, що точність та чутливість часто суперечать, ми обчислили показник F, показник оцінки, який зважив точність та чутливість. Топ -3 F бали моделі були DT (0,73), LR (0,69) та RF (0,63).

Серед цих статистичних даних є область під кривою (AUC), яка є загальною метрикою, яка використовується для оцінки ефективності діагностичної моделі. Він вимірює здатність моделі розрізняти особи з станом і без нього. AUC можна інтерпретувати як ймовірність того, що випадково вибраний позитивний випадок матиме більш високий прогнозований показник ймовірності, ніж випадково вибраний негативний випадок. AUC проілюстрував, що логістична регресія мала найкращі прогнозні показники, із значеннями AUC 0,751. Деталі наведені в таблиці 6. Загалом, найкраща модель була логістичною регресією, за якою слідують SVM та RF. AUC різних моделей машинного навчання були показані на додаткових малюнках3.

Додаткова фігура S2 показує графіки форми для чотирьох моделей машинного навчання. Хоча дев'ять найважливіших змінних з чотирьох моделей не зовсім однакові, деякі подібності можна знайти за допомогою логістичних регресійних моделей, статі, віку, глюкози, частоти серцевих скорочень та історії руйнування є важливими прогнозами. У моделі XGBoost є змінні ІМТ та DBP; У моделі RF є BMI, DBP, WHR, Питання змінних. У моделі підтримки Vector Machine є SBP, захворювання серця, змінні гіпертонічних захворювань. У моделі DT є змінні BMI, HDL-C, LDL-C, SBP. Ці важливі прогнози відрізняються від логістичних регресійних моделей. Більше того, у моделях векторних машин підтримки CNV NSSV659422 та низької солі натрію є важливими прогнозами. Сюжети форми показують, що нижчий рівень цих двох прогнозів (синіх крапок) був пов'язаний з меншою ймовірністю остеопорозу (значення форми

Поєднавши AUC та чутливість Для оцінки клінічної корисності BonePredict ми порівняли його ефективність з трьома широко використовуваними інструментами оцінки ризику остеопорозу: інструментом самооцінки остеопорозу (OSTA), інструментом оцінки ризику руйнування (FRAX) та кількісним ультразвуком (QUS). BonePredict продемонстрував чудову дискримінаційну здатність, досягнувши більш високої AUC у когорті розвитку порівняно з OSTA (AUC = 0,62), FRAX для основних остеопоротичних переломів (AUC = 0,71) та QUS (AUC = 0,68). Крім того, BonePredict демонстрував поліпшену калібрування та значно краще покращення чистої рекласифікації (NRI) та інтегроване поліпшення дискримінації (IDI) порівняно з цими існуючими інструментами.

У 2024 році пророцтво компанії з інтеграції даних Оприлюднив його AI Copilot для Databricksпозначення значного кроку вперед у перетворенні даних. Використовуючи потужність Genai, інструмент дозволив діловим користувачам та аналітикам побудувати трубопроводи даних за допомогою природної мови. Він мав на меті спростити робочі процеси та запропонувати організаціям більш ефективний шлях до ефективного управління та ефективного використання їх ресурсів даних.

Спираючись на цей фонд, пророцтво тепер представило пророцтво 4.0, останню ітературу своєї платформи інтеграції даних, керованих AI, оптимізовано для Databricks SQL. У той час як минулорічний Copilot стосувався створення трубопроводів, що надають AI, новий випуск більше орієнтований на додавання повних можливостей самообслуговування, не порушуючи правила управління ІТ.

Взаємозв'язок між пророцтвом та датами кореняться в спільній меті підвищення зручності використання даних для організацій. Пророцтво ґрунтується на інфраструктурі даних даних даних, пропонуючи інструменти, розроблені для спрощення підготовки та трансформації даних для більш широкого спектру користувачів.

“Організації вкладали свої найцінніші активи даних у Databricks, а пророцтво 4.0 полегшує, ніж коли -небудь зробити ці дані доступними для аналітиків”, – сказав Роджер Мерф, віце -президент з технологічних партнерів у Databricks. “І тому, що пророцтво є вбудованим з платформою даних даних даних Databricks, команди платформ отримують централізовану видимість та контроль над доступом до користувачів, обчислювальними витратами тощо.”

Розрив між аналітиками та командами даних часто створює проблеми, особливо для великих організацій. Хоча аналітики потребують надійних даних для AI та стратегічного прийняття рішень, центральні команди зосереджуються на управлінні та безпеці. Це відключення або нерівність у пріоритетах часто призводить до неефективності, затримок та пропущених можливостей для повного використання потенціалу даних.

Недавній Опитування досліджень Уейкфілда виявив, що 50% керівників даних намагаються найняти інженерів даних, тоді як 53% стикаються з труднощами, що масштабують свої команди, щоб задовольнити попит. Незважаючи на постійні зусилля щодо набору та розширення, ці виклики залишаються значним вузьким місцем.

Пророцтво посилається на результати цього опитування, щоб показати потребу в інструментах, які можуть полегшити навантаження команд даних, і саме це має на меті зробити з останнім випуском. Надання аналітикам можливість готувати дані самостійно допомагає зменшити залежність та навантаження на інженерів даних та підвищує ефективність робочого процесу для організацій.

Одним із ключових оновлень платформи є те, що він підтримує безпечні з'єднання до широко використовуваних джерел, таких як SFTP, SharePoint, Salesforce та настільні файли, такі як Excel та CSV. Усунувши потребу в спеціальних сценаріях або ручних переказах, ця функціональність не тільки економить час, але й мінімізує потенційні помилки.

Оновлена ​​платформа також розроблена для оптимізації “останньої милі” робочих процесів даних. Це стосується таких завдань, як інтеграція результатів у такі інструменти візуалізації, як Tableau, та надсилання автоматизованих сповіщень зацікавленим сторонам електронною поштою.

Крім того, пророцтво запровадило вбудовану автоматизацію з інтерфейсом перетягування. Це розроблено для того, щоб аналітики легко проектувати, запускати та перевіряти робочі процеси, не покладаючись на технічну експертизу чи додаткові інструменти.

За словами Стюарта Бонда, віце -президента з програмного забезпечення інтелекту та інтеграції даних в IDC, складність сучасних середовищ даних, що характеризується їх розподіленим та динамічним характером, створює значні проблеми для підприємств. Він підкреслив, що оскільки організації все частіше мають на меті дозволити нетехнічним користувачам доступ до корпоративних даних, такі рішення, як пророцтво 4.0, можуть стати більш важливими.

Під час впровадження оновлення на платформу, пророцтво забезпечило його пріоритетне управління. Платформа має спрощений контроль версії, дозволяючи аналітикам та інженерам працювати разом, щоб вдосконалити та розгорнути трубопроводи. Він також включає профілі даних, які дають користувачам уявлення про такі речі, як розподіл даних та повнота.

Пророцтво додало пакунки для багаторазового використання, щоб полегшити користувачам створювати робочі процеси, які відповідають заздалегідь визначеним стандартам відповідності. Ця функція також може бути корисною для того, щоб допомогти командам спостереження визначити та вирішити проблеми рано.

Радж Бейнс, генеральний директор пророцтва, підкреслив, що неефективність, спричинена відключеними робочими процесами між командами даних, є головним больовим моментом. Ці роз'єднані процеси часто негативно впливають на продуктивність та відходять цінні ресурси.

“Ми відвідували компанії, де аналітики окреслювали робочі процеси даних у своїх інструментах підготовки даних, а потім інженери вниз за течією перероблять весь трубопровід з нуля за допомогою свого програмного забезпечення ETL”, – сказав Бейнс. “Це була величезна марна трата часу та енергії. З пророцтвом 4.0 все робиться один раз. Аналітики можуть розробляти та публікувати трубопроводи, коли вони хочуть, із попередньо визначеними ним безпекою, продуктивністю та стандартами доступу до даних”.

Поєднуючи підготовку даних про самообслуговування та перші можливості управління, Prophecy 4.0 має потенціал виділитися як цінний інструмент для підприємств, які прагнуть уточнити свої робочі процеси.

Однак його успіх буде залежати від подолання проблем, таких як забезпечення сумісності зі застарілими системами та відповідання різноманітними вимогами до відповідності в галузях. Недавній 47 мільйонів доларів серії B повинен допомогти забезпечити компанію ресурсам, необхідними для подальшого покращення платформи.

Пов’язані предмети

AI, що робить роботу аналітика даних більш стратегічним, каже Альтеркс

Перевірка реальності для Genai: Deloitte знаходить ентузіазм, загартовані перешкодами усиновлення

Щорічний звіт Графани виявляє ключові уявлення про майбутнє спостереження

Державний секретар Індіани та його головний директор з питань інформації Роберт Фулк, у вівторок, оприлюднили “Капітан -запис”, генеративний інструмент штучного інтелекту, який дозволяє користувачам шукати державні документи на суму понад 100 років.

Капітан -запис, який використовує інструменти Google Cloud ALEX AI та Gemini 2.0 та платформа автоматизації MAVQ, дозволяє користувачам шукати на 20 мільйонів сторінок архівованих записів від Державного секретаря та його підрозділів бізнес -послуг, цінних паперів та автодилерів. Капітан Рекорд може знайти що завгодно – від реєстрації бізнесу з 1923 року до фінансової подачі з минулого року.

Модель AI інструменту, яка реагує на пошукові запити, зроблені простою мовою, забезпечує функції фільтра та пошуку майже 10 терабайт державних документів.

Фулк заявив, що проекту знадобилося близько шести місяців, включаючи кілька тижнів лише для імпорту великої кількості записів. Фулк заявив, що модель навчалася інтерпретувати все-від 100-річних рукописних документів до набраних записів, зберігаючи суворі стандарти точності, цілісності та безпеки.

У той час як держава вже мала більшу частину своїх паперових та мікрофіше, оцифрованих постачальником, Фулк сказав, що зусилля щодо завантаження записів у інструмент пошуку, швидше за все, знадобиться ще один рік. Процес, однак, ніколи не закінчиться, оскільки записи постійно завантажуються з онлайн -порталу бізнесу держави.

“Краса AI зараз полягає в тому, що ви можете навчити ботів AI [the data] Щоб знайти це, індексуйте, що розумійте їх і дійсно почніть перетворювати це на деякі справді круті речі, де ви можете взаємодіяти з ним, і перетворити це неструктуровані, заблоковані дані та інформацію в живий інтелект “,-сказав Фулк.

Модель капітана запису, за словами Фулк, є абсолютно приватною – це означає, що дані, що подаються, не продовжуватимуть інформувати чи тренувати будь -які інші моделі AI. І хоча Captain Record наразі доступний лише для внутрішнього використання, він сказав, що держава сподівається зробити його загальнодоступним після запуску функції чатів.

“Це досить круто, навіть якщо це старі записи. Ми робимо це з метою, правда? Одне – надати записи, а по -друге, – це зробити його публічно зіткнутися і прозорим”, – сказав Фулк. “Ми збираємось навчити чат -бота насправді інтерпретувати та розуміти ці документи. Як і в чатгпті, ви насправді можете з ними спілкуватися. Вони можуть їх зрозуміти. Вони можуть перетворити їх на дані”.

Фулк сказав, що його офіс зараз навчає персонал, як користуватися інструментом. Державний секретар штату Індіана оприлюднив інші чати, такі як Ліз, віртуальний агент AI для ділового порталу держави. Але Фулк заявив, що виконання цього проекту та роботи під державним секретарем Індіани Дієго Моралес дозволив йому застосувати свій 28 -річний досвід роботи в приватному секторі уряду.

“Ми дійсно якось підштовхуємо межі щодо використання цих речей AI”, – сказав він. “… Це мій перший раз в уряді, і я, на щастя, працюю в секретаря. Він дозволяє мені їздити і хоче по-справжньому вплинути, що дозволяє мені сприяти інноваціям і змінюватись, хоча ми уряду. Тому я начебто приношу цю дисципліну, і мені подобається робити речі в три-шість-місячних кадрах, а не за три-п’ять років. І це весело”.