Категорія: Великі Дані та Аналітика

За останні роки банківська індустрія зазнала значних трансформацій, і необанки стали ключовими гравцями цифрового фінансового ландшафту. Необанки, також відомі як цифрові банки або банки-претенденти, працюють виключно онлайн без традиційних фізичних відділень. Вирішальним фактором успіху та інновацій є інтеграція штучного інтелекту (ШІ). Роль штучного інтелекту в необанкінгу багатогранна, пропонуючи численні переваги, які підвищують ефективність, безпеку та клієнтський досвід. Давайте дослідимо, як ШІ робить революцію в необанкінгу.

1. Персоналізований досвід клієнтів

AI дозволяє необанкам пропонувати високоперсоніфіковані послуги, адаптовані до індивідуальних потреб клієнтів. Аналізуючи величезні масиви даних, алгоритми штучного інтелекту можуть зрозуміти поведінку клієнтів, уподобання та фінансові звички. Це дозволяє необанкам надавати індивідуальні рекомендації щодо продуктів, цільові маркетингові кампанії та персоналізовані фінансові поради, підвищуючи задоволеність клієнтів і лояльність.

2. Покращена безпека та виявлення шахрайства

Безпека має першочергове значення в банківській галузі, і ШІ відіграє вирішальну роль у захисті даних клієнтів і транзакцій. Системи на основі штучного інтелекту можуть виявляти незвичайні моделі та потенційні шахрайські дії в режимі реального часу. Алгоритми машинного навчання постійно вивчають дані транзакцій, щоб виявляти та запобігати новим типам шахрайства, забезпечуючи безпечне банківське середовище для клієнтів.

3. Автоматизована підтримка клієнтів

Чат-боти та віртуальні помічники, керовані ШІ, стали основними інструментами для необанків, пропонуючи підтримку клієнтів 24/7. Ці системи на основі штучного інтелекту можуть обробляти широкий спектр запитів, від перевірки балансу рахунку до суперечок щодо транзакцій, забезпечуючи швидкі та ефективні рішення. Автоматизуючи рутинні завдання, необанки можуть зменшити операційні витрати та дозволити людям зосередитися на більш складних проблемах клієнтів.

4. Прийняття рішень на основі даних

ШІ надає необабанкам доступ до інформації на основі даних, яка дає змогу приймати стратегічні рішення. Використовуючи аналітику великих даних, необанки можуть визначати тенденції ринку, потреби клієнтів і потенційні можливості для бізнесу. Інструменти штучного інтелекту також можуть оцінювати кредитоспроможність, прогнозувати неповернення кредитів і оптимізувати інвестиційні портфелі, що дозволяє необанкам приймати обґрунтовані та прибуткові рішення.

5. Відповідність нормативним вимогам

Забезпечення відповідності нормативним вимогам є серйозним викликом для фінансових установ. Штучний інтелект спрощує цей процес, автоматизуючи перевірки відповідності та відстежуючи транзакції на наявність підозрілих дій. Системи штучного інтелекту можуть аналізувати величезні обсяги нормативних даних і гарантувати, що необанки дотримуються правових стандартів, зменшуючи ризик штрафних санкцій і підвищуючи операційну ефективність.

6. Операційна ефективність

ШІ підвищує операційну ефективність необанків шляхом автоматизації різних процесів, таких як схвалення кредитів, оцінка ризиків і обробка транзакцій. Ця автоматизація зменшує ручне втручання, мінімізує помилки та прискорює надання послуг. У результаті необанки можуть пропонувати своїм клієнтам швидші та ефективніші послуги, залишаючись конкурентоспроможними в цифровому банківському середовищі.

Висновок

Штучний інтелект кардинально змінює правила необанкінгу, стимулюючи інновації та змінюючи спосіб надання фінансових послуг. Використовуючи можливості штучного інтелекту, необанки можуть запропонувати персоналізований досвід, підвищити безпеку, підвищити операційну ефективність і забезпечити відповідність нормативним вимогам. Оскільки технологія штучного інтелекту продовжує розвиватися, її роль у необанкінгу ставатиме все більш важливою, прокладаючи шлях до майбутнього, де цифровий банкінг буде розумнішим, безпечнішим і більше орієнтованим на клієнта.

Необанкінг з інтеграцією штучного інтелекту — це не лише майбутнє банківської справи; це вже сьогодні змінює фінансову індустрію.

Революція розвідки за допомогою передових інструментів OSINT

ШЕНЬЧЖЕНЬ, ГУАНДУН, КИТАЙ, 22 грудня 2024 р. /EINPresswire.com/ — В епоху, яка визначається цифровою трансформацією та рішеннями, керованими даними, Knowlesys знову зарекомендувала себе як лідер у секторі Open Source Intelligence (OSINT). У 2025 році Knowlesys запустила свій останній набір інструментів OSINT-моніторингу та аналітики, призначених для вирішення нових проблем у сфері кібербезпеки, судових розслідувань і збору розвідувальної інформації.

Технологічні інновації та випадки використання

Інтелектуальна система Knowlesys (KIS) використовує свою провідну світову технологію OSINT для забезпечення комплексних рішень моніторингу веб-розвідки. Запровадження можливостей прогнозної аналітики та машинного навчання у 2025 році дозволило KIS не лише ідентифікувати наявну інформацію, але й прогнозувати майбутні тенденції та моделі поведінки. Завдяки моніторингу соціальних медіа, форумів, урядових звітів і різноманітних відкритих джерел даних у режимі реального часу KIS дозволяє підприємствам і державним установам діяти проактивно, підтримуючи кібербезпеку та громадський порядок.

Обслуговування різноманітної бази користувачів

OSINT-рішення 2025 від Knowlesys виходять за рамки традиційних додатків, знаходячи користь у державній розвідці, аналізі політики, управлінні ризиками та моніторингу громадських настроїв. Завдяки глибокому розумінню, отриманому в результаті аналізу великих даних, KIS допомагає урядам зрозуміти соціально-політичну динаміку, іноземні стратегії та громадську думку. Примітно, що рішення Knowlesys були прийняті кількома урядами в 2025 році для моніторингу дезінформації та онлайн-шахрайства, тим самим захищаючи національну безпеку та права громадян.

OSINT Market Insights

Згідно з міжнародним аналізом даних, світовий ринок OSINT готовий до значного зростання до 2032 року завдяки його широкому застосуванню в національній безпеці, правоохоронних органах і бізнес-розвідці. Knowlesys займає ключову позицію на цьому ринку, завдяки її інноваційним технологіям і послугам, які отримали широке визнання. Система OSINT від Knowlesys досягла значної частки ринку, особливо в Азії, завдяки своїй ефективності, точності та можливостям роботи в режимі реального часу.

Ключові тенденції в OSINT

• Інтеграція штучного інтелекту та машинного навчання: ці технології все більше інтегруються в інструменти OSINT для автоматизації збору, аналізу та інтерпретації даних, що дозволяє швидше та точніше ідентифікувати шаблони та аномалії.
• Зростаюче значення розвідки соціальних медіа (SOCMINT): Платформи соціальних медіа є багатим джерелом розвідки в реальному часі, що розширює можливості інструментів OSINT для моніторингу настроїв громадськості, відстеження подій та визначення потенційних ризиків або можливостей.
• Розширення додатків для кібербезпеки: із зростанням кількості кіберзагроз OSINT все частіше використовується для моніторингу темної мережі, аналізу загроз і стратегій захисту кібербезпеки, включаючи відстеження витоків даних і внутрішніх загроз.
• OSINT у реальному часі для миттєвих дій: існує тенденція до інструментів, які надають миттєву інформацію для останніх новин, реагування на стихійні лиха або розгортання загроз безпеці, завдяки інтеграції живих каналів і соціальних мереж.
• Прийняття урядом і відповідність: Уряди використовують OSINT для аналізу національної безпеки, формулювання політики та забезпечення відповідності міжнародним нормам, підкреслюючи його зростаючу важливість в урядових умовах.

Роль AI у вдосконаленні OSINT

Інтеграція ШІ в KIS змінила обробку інформації в різних секторах:

• Збір і обробка даних: алгоритми ШІ автоматизують збір і фільтрацію даних із загальнодоступних джерел, зменшуючи зусилля, необхідні для збору даних.
• Аналіз настроїв: штучний інтелект оцінює текст, щоб оцінити громадську думку, що має вирішальне значення для розуміння суспільних настроїв у реальному часі.
• Аналіз зображень і відео: за допомогою комп’ютерного зору KIS може аналізувати зображення та відео для розвідувальних цілей, включаючи розпізнавання обличчя та геолокацію.
• Розпізнавання шаблонів і виявлення аномалій: штучний інтелект визначає шаблони для виявлення аномалій або прогнозування тенденцій, що має вирішальне значення для відстеження кіберзагроз або злочинної діяльності.
• Резюмування тексту: штучний інтелект резюмує великі обсяги тексту, прискорюючи процес аналізу.
• Мовний переклад і багатомовний аналіз: сервіси, керовані ШІ, розширюють операції OSINT, дозволяючи аналізувати кількома мовами.
• Автоматизація рутинних завдань: штучний інтелект звільняє аналітиків від виконання стратегічних ролей завдяки автоматизації рутинної обробки даних.

Дивлячись вперед

Дивлячись у майбутнє, Knowlesys продовжить інвестувати в дослідження та розробки, щоб покращити автоматизацію та інтелектуальну платформу OSINT. Завдяки тісній співпраці з глобальними партнерами Knowlesys прагне просувати стандартизацію та етику технологій OSINT, забезпечуючи прозорість і підзвітність у зборі та аналізі інформації. Мета полягає в тому, щоб зробити OSINT корисним для всіх користувачів, надаючи оперативну інформацію для покращення можливостей прийняття рішень.

Про Knowlesys Software, Inc.

Knowlesys Software, Inc. спеціалізується на моніторингу веб-аналітики та аналізі даних, допомагаючи клієнтам досягти успіху в епоху інформації за допомогою інноваційних технологій. Його Knowlesys Intelligence System (KIS) визнано механізмом вилучення OSINT світового класу, який пропонує моніторинг у реальному часі на кількох мовах і платформах.

Контактна інформація

Для отримання додаткової інформації про OSINT-рішення Knowlesys звертайтеся:
• Електронна пошта: kis@knowlesys.com (mailto:kis@knowlesys.com)
• Веб-сайт: www.knowlesys.com

Висновок

У 2025 році Knowlesys Technology продовжує лідирувати в розвитку технологій OSINT, сприяючи інноваціям у глобальному зборі та аналізі розвідувальних даних. Через безперервні інновації та партнерство Knowlesys прагне зробити свій внесок у безпечніший і прозоріший інформаційний світ.

Ведмідь
Knowlesys Software, Inc.
+86 136 5236 6091
напишіть нам тут
Відвідайте нас у соціальних мережах:
Facebook
X
LinkedIn

Юридична відмова від відповідальності:

EIN Presswire надає цей вміст новин «як є» без будь-яких гарантій. Ми не несемо жодної відповідальності за точність, зміст, зображення, відео, ліцензії, повноту, законність або надійність інформації, що міститься в цій статті. Якщо у вас є скарги або проблеми з авторським правом, пов’язані з цією статтею, зв’яжіться з автором вище.

У своїх постійних зусиллях зробити Maha Kumbh-2025, запланований на 13 січня, грандіозною, безпечною та цифровою подією, уряд штату Уттар-Прадеш розпочав впровадження вдосконаленої системи аналізу даних на основі ШІ для покращеного управління безпекою.

Ця система посилить можливості спостереження поліції Mahakumbh, допомагаючи створити ефективну стратегію шляхом аналізу даних у реальному часі про місце інциденту та визначені зони, зокрема для управління натовпом та інших заходів безпеки.

За словами старшого суперінтенданта поліції (SSP), Махакумбха Мела, Раджеша Кумара Двіведі, буде сформована спеціальна команда для нагляду за впровадженням передової системи аналізу даних на основі ШІ. Команда також допомагатиме зі спостереженням, допомагатиме навчати поліцейських і співробітників служби безпеки, а також створюватиме різні звіти.

Ця ініціатива має стати ще однією важливою віхою для поліції штату Уттар-Прадеш, яка вже запустила додаток Mahakumbh Police App у рамках своїх зусиль зі зміцнення безпеки та сприяння розумній поліцейській діяльності.

Двіведі заявив, що нова система ще більше посилить поліцейський нагляд, створюючи більш ефективні стратегії як для безпеки віруючих, так і для безперебійної роботи ярмарку.

Оскільки очікується, що понад 40 мільйонів паломників відвідають Маха-Кумбху, знадобиться ретельний аналіз великої кількості даних для ефективного управління натовпом, громадської безпеки та безпеки.

Щоб впоратися з цим, поліція Prayagraj Mela сформує спеціальну команду для грандіозної події, якій буде доручено розробити та керувати системою аналізу великих даних на основі ШІ та метаданих. Ця система забезпечить безпечне проведення заходу та посилить міжвідомчу координацію.

Рішення з підтримкою штучного інтелекту розробляється для забезпечення аналізу даних у реальному часі та бездоганної інтеграції багатьох джерел даних. Команда також відповідатиме за навчання поліцейських і співробітників служби безпеки для ефективної роботи системи.

Після завершення фази тестування система буде розгорнута до початку Маха Кумбха 2025. Мета рішення для аналізу даних полягає в тому, щоб забезпечити аналіз великомасштабних наборів даних у режимі реального часу, покращуючи управління натовпом і громадську безпеку під час Маха Кумбха.

Система також спрямована на покращення міжвідомчої координації, оперативне виявлення потенційних загроз та генерування оперативної розвідувальної інформації для національної безпеки.

Крім того, це забезпечить надійну обробку даних і масштабованість, підтримуючи безпечне та ефективне виконання події. Щоб досягти цього, протягом усього процесу будуть реалізовані різні програмні рішення.

Система рішення для аналізу даних буде оснащена такими функціями:

— Він працюватиме у великих масштабах як комплексний постачальник рішень для аналізу даних.

— Це дозволить обробляти дані в реальному часі, оцінювати та корелювати для створення стратегії.

— Це допоможе у створенні розвідувальних звітів і реалізації ефективних стратегій.

— Він слугуватиме інформаційною панеллю для створення конкретних звітів і координації зберігання даних.

— Це забезпечить відповідність вимогам безпеки та захист конфіденційних даних, а також забезпечить навчання та підтримку.

Після майже тижня пошуків підозрюваного в наїзді на 81-річну жительку Св. Єлени, Каліфорнія цього літа, поліція знайшла та заарештувала чоловіка за допомогою камер зчитування номерних знаків, які його зареєстрували біля місця події.

Департамент поліції використовував інформацію з камери автоматичної системи зчитування номерних знаків FLOCK, яка відстежує та записує дані номерних знаків у хмарну базу даних. Компанія виробляє камери, дрони, аудіодетектори та програмні засоби, які використовуються містами, правоохоронними органами та шкільними системами з метою виявлення злочинів і швидшого розкриття.

Використання номерного знака для пошуку підозрюваного не є чимось новим у розкритті злочинів, але пошук цього номерного знака в автономно зібраному та організованому журналі даних, а не за допомогою перегляду відеозаписів із камерою безпеки чи особистого обшуку, є більш новим.

Це частина зростаючої системи технологій «Інтернету речей» (IoT) — мереж фізичних об’єктів, які під’єднані до Інтернету та можуть обмінюватися даними з іншими пристроями чи програмним забезпеченням. Ці пристрої IoT часто називають пристроями «розумного міста», оскільки вони використовуються державами та містами, які прагнуть покращити послуги, зокрема зробити свої дороги безпечнішими та ефективнішими для водіїв і пішоходів.

Ймовірно, люди на дорогах звикли до червоного світла та камер спостереження на перехрестях, але прогрес у хмарних технологіях і штучному інтелекті дозволяє транспортним агентствам і містам збирати набагато більше даних, ніж будь-коли раніше, і використовувати ці дані більш стратегічно.

Але з посиленням моніторингу, збору та аналізу даних виникають проблеми етики та конфіденційності.

Як сказав Джей Стенлі, старший політичний аналітик Американського союзу громадянських свобод у сфері мови, конфіденційності та технологій, ніколи не було проблем із перевіркою номерних знаків, щоб перевірити, чи автомобіль не викрадений чи якийсь інший розшук. Але коли дані про номерний знак зберігаються протягом невідомого часу та з невизначеною метою, це може порушити приватне життя та громадянські свободи.

«Оскільки ця технологія стає дедалі щільнішою в наших спільнотах, і в певний момент у вас є приблизно три з них на кожному блоці, це стає еквівалентом відстеження всіх за допомогою GPS», — сказав Стенлі. «Це піднімає не лише політичні питання, а й конституційні».

Мешканці острова Св. Єлени в долині Напа, ймовірно, не засмучені тим, що технологію використовували за прямим призначенням, щоб допомогти знайти злочинця, Харі Балакрішнана, дослідника з інформатики та ШІ та професора Массачусетського технологічного інституту. , розповів про серпневий арешт.

«Я міг би припустити, що ми повинні перейти від того, які дані збираються, до того, що з ними робиться?» сказав він. «Ким і з якою метою?»

Що таке технології розумних міст?

В останні роки міста почали використовувати апаратне забезпечення, як-от камери та датчики, які записують і сортують інформацію в базах даних за допомогою ШІ. Зазвичай вони роблять це з певною метою, наприклад, відстежують безпеку пішохідного переходу, контролюють перевищення швидкості в районі або сприяють кращому руху транспорту через перехрестя в годину пік.

Апаратні пристрої можуть сигналізувати міському програмному забезпеченню про вжиття заходів, наприклад, увімкнути світло зеленим або записати дані в збережену область для аналізу людьми пізніше. Багато з цих взаємопов’язаних систем називають інтелектуальними транспортними системами (ITS), сказав Натан Каутц, старший інженер з транспортної безпеки в Тампі, Флорида. Деякі навіть можуть виявляти дорожньо-транспортні пригоди та ініціювати відповідь EMS, а потім допомагати машині EMS швидше дістатися до місця аварії, освітлюючи її зеленим світлом через сигнали світлофора.

Стратегічний план безпеки дорожнього руху Флориди від 2021 року визначає моніторинг швидкості як перевірений спосіб зменшити кількість смертельних випадків у ДТП і передбачає використання інфраструктури ІТС як контрзаходу. Технічні системи дозволяють здійснювати моніторинг без залучення поліцейських, розміщених на проїжджій частині.

«Це дозволяє охопити цей коридор і намагатися підтримувати швидкість на належному рівні, коли ніхто не дивиться, щоб підвищити безпеку та виживання, скажімо, для пішохода чи велосипедиста», — сказав Каутц.

Балакрішнан працював у IoT та мобільних обчисленнях протягом останніх двох десятиліть, а близько 15 років тому заснував Cambridge Mobile Telematics. Компанія з Кембриджа, штат Массачусетс, збирає дані з пристроїв Інтернету речей, таких як смартфони, підключені транспортні засоби, відеореєстратори та пристрої сторонніх розробників, щоб визначити поведінку водія.

Компанія співпрацює зі страховими та автомобільними компаніями, а також компаніями, що надають спільні поїздки, щоб просувати безпечне водіння, використовуючи дані, отримані під час керування автомобілем, для оцінки ризиків, безпеки, претензій та програм покращення водія. Балакрішнан сказав, що, за оцінками компанії, це допомогло запобігти близько 80 000 аварій і близько 40 000 серйозних травм.

Інша форма технології, яку використовують деякі міста, — це LiDAR, яка використовує лазери для вимірювання відстані. Це основоположна технологія Ouster, компанії, що розробляє програмне забезпечення сприйняття, яка працює з містами над проблемами дорожнього руху, а також із клієнтами в галузі безпеки, промисловості та автомобільної промисловості. На даний момент датчики дорожнього руху встановлені приблизно на 250 перехрестях у Каліфорнії, Флориді, Теннессі, Юті та Колорадо.

Лазери цієї технології відбивають тепло від об’єктів і відображають відстань назад до датчика. Він використовує ці дані для створення 3-D анонімних моделей людей і транспортних засобів на рівні вулиці, сказав віце-президент компанії Bay Area з інтелектуальної інфраструктури Ітай Додон.

«Ви розумієте глибину, ви розумієте масштаб, ви розумієте положення в просторі. Вам не потрібно робити все це висновки, як ми робимо з камерами», — сказав він. «І крім того, ви можете зробити це, не порушуючи конфіденційність ані своїх співробітників, ані спільноти, яку ви обслуговуєте».

Проблеми етики та конфіденційності даних

Існують перш за все два способи роботи технологій IoT — інфраструктура або мобільні пристрої. За словами Балакрішнана, фактор контролю над пристроєм – це те, що стосується конфіденційності.

Прикладом мобільного пристрою є пристрій Cambridge Mobile Telematics, який користувачі добровільно розміщують у своєму автомобілі та спілкуються з іншими пристроями IoT для відстеження свого водіння. Це схоже на фітнес-трекер, який можна носити, який збирає дані під час тренувань або сну, сказав Балакрішнан.

«Ви використовуєте це для себе. І я не думаю, що хтось розумно застосував би до цього слово «спостереження», — сказав Балакрішнан. «Якщо ви цього не хочете, не використовуйте».

Але пристрої IoT, вбудовані в інфраструктуру, як-от камери чи датчики на стовпах стоп-сигналів, індуктивні петлі під тротуаром, які виявляють транспортні засоби на світлофорі, або автоматичні зчитувачі номерних знаків, — це не те, що люди вибирають.

«Якщо хтось розмістить на дорозі купу камер і каже, що це призначено для вимірювання перевищення швидкості та надсилання штрафів, добре, є попередження, і це закон, або такі правила», — сказав Балакрішнан. «Але тепер, якщо хтось взяв ці дані та використав їх для цілей, які явно не передбачалися, тоді можна було б сказати: «Гей, ведеться якесь спостереження».

Використання цих підключених камер і систем моніторингу дорожнього руху застосовуються по всій країні в кожному окремому випадку. Деякі штати, як-от Мен, забороняють камерам дорожнього руху контролювати порушення ПДР, за винятком платних доріг. Інші, як-от штат Міссурі, дозволяють це за законом, але Верховний суд штату визнав неконституційним видавати документи про порушення правил дорожнього руху, якщо штат не зможе підтвердити особу водія на момент цитування.

Це часто зводиться до округу чи муніципалітету, оскільки немає федерального законодавства про конфіденційність даних у сфері дорожнього руху.

«Усі міста та муніципалітети дуже різні і мають дещо різні проблеми, але всі вони хочуть, зрештою, … вигоди для громади», – сказав Додон. «Однак інколи їм бракує розуміння того, що насправді може зробити технологія, і, бажаючи робити добро, іноді бігають трохи швидше».

Так було в Сан-Дієго, починаючи з 2016 року. Місто встановило 3200 «розумних вуличних ліхтарів» для запобігання злочинності та реєстрації даних із зчитувачів номерних знаків, але громадяни почали хвилюватися конфіденційністю, кажучи, що місто не скаже їм, як дані CBS8 повідомляв минулого року, що його можна буде використовувати, і ним будуть ділитися треті сторони.

Зрештою поліцейське управління почало використовувати камери як інструмент спостереження для боротьби зі злочинністю, що спонукало членів спільноти стверджувати, що програма порушує їхнє приватне життя та спрямована на кольорових людей. Невдовзі місто припинило програму також через проблеми з бюджетом, але знову почало встановлювати камери у 2024 році.

Відчуваною перевагою камер спостереження за дорожнім рухом є те, що менша кількість зупинок або прямих контактів з поліцейськими може зменшити кількість арештів кольорових людей. Але ця технологія не усуває расових факторів. Розслідування ProPublica у 2022 році показало, що програми спостереження за дорожнім рухом у Нью-Йорку, Маямі, Вашингтоні та Чикаго все ще виписують квитки на кольорових людей і людей із малозабезпечених районів більше, ніж на білих водіїв.

І системи не можуть працювати на благо спільноти, якщо вони не використовуються належним чином. Жінка в Детройті подала до суду на поліцейське управління після того, як її неправомірно заарештували за стрілянину на автомобілі в 2023 році, коли поліція неправильно використала дані з міського автоматичного зчитувача номерних знаків.

Замість того, щоб шукати номерний знак у системі, поліція шукала будь-які номерні знаки, які належать білим Dodge Chargers, і знайшла один на камері за дві милі від місця злочину. Жінка, яку вони заарештували, була зафіксована, коли їздила за кілька кварталів від свого дому, і не мала ніякого відношення до злочину, окрім аналогічної марки та моделі її автомобіля.

IoT та законодавство про конфіденційність

Оскільки немає федеральних вказівок щодо конфіденційності даних у системах розумних міст, містам чи навіть муніципалітетам залишатиметься право встановлювати власні правила, сказав Даніель Вайцнер, директор-засновник Ініціативи дослідження політики в Інтернеті в MIT.

Міста часто співпрацюють із приватними технологічними компаніями для створення цих інтелектуальних транспортних систем і проводять тендерні закупівлі. Ось чому Балакрішнан сказав, що міста чи штати, які хочуть встановити ці технології, повинні чітко окреслити, які дані збираються та хто має до них доступ.

Балакрішнан і Додон попереджають, що міста, які бажають укласти контракти з компаніями, що займаються системами розумного міста, повинні поставити правильні запитання про те, як і де зберігаються їхні дані. За їх словами, не було серйозних випадків, коли дані, зібрані цими дорожніми камерами, потрапляли в сторонні системи, але завжди існує ймовірність, що це могло статися, якщо компанії та їхні партнери з державного сектора не дотримуються однакових стандартів зберігання даних.

Те, як ми оцінюємо стеження та конфіденційність у цифрову епоху, «піддається стресу», — сказав Вайцнер. Технології, що розвиваються, змушують законодавців постійно оцінювати, як виглядають права на конфіденційність даних у будь-який момент часу. Рішення Верховного суду, як-от Карпентер проти Сполучених Штатів, який уточнив, який доступ до даних про місцезнаходження з мобільних телефонів дозволений без ордера на обшук, і Райлі проти Каліфорнії, який постановив, що безсанкційний обшук і конфіскація цифрового вмісту мобільного телефону під час арешту є неконституційним, показує, як розвивалася ця сфера.

«Усе це означає, що цифрова інформація може використовуватися набагато більше і може бути набагато більш показовою, ніж еквівалентна … аналогова інформація або інформація, доступна на папері», – сказав Вайцнер.

Отже, збирати дані про номерні знаки щодо перевищення швидкості чи порушень правил дорожнього руху, можливо, не стосується, але використання цих даних для будь-яких інших цілей протягом необмеженого періоду часу є набагато більш чутливим, додав він. І поки Конгрес не прийме закон про стандартизацію для галузі, штати повинні будуть визначити, що для них найкраще підходить і які дії можуть бути поза межами.

«Основна головоломка, яку ми маємо, полягає в тому, що ви можете об’єднати багато невинних, нешкідливих фрагментів даних», — сказав Вайцнер. «І отримати щось дуже цінне і дуже показове».

БУФФАЛО, Нью-Йорк – Штучний інтелект може покращити здатність лікарів діагностувати та лікувати апное уві сні. Але ця технологія не отримала широкого поширення через побоювання, що вона не захищає дані пацієнтів.

Незабаром це може змінитися.

Нове дослідження під керівництвом Університету Баффало, профінансоване грантом IBM/Університету штату Нью-Йорк у розмірі 200 000 доларів США, показує, як безпечно шифрувати дані на основі ШІ, коли вони передаються від сторонніх постачальників хмарних послуг, таких як Google або Amazon, до лікарів та своїх пацієнтів.

Метод, який ґрунтується на повністю гомоморфному шифруванні (FHE), довів 99,56% ефективності у виявленні апное уві сні з деідентифікованого набору даних електрокардіограми (ЕКГ), доступного для дослідження. Зрештою, ця техніка може прискорити та покращити виявлення та лікування апное уві сні, а також використовувати її в інших програмах охорони здоров’я, де безпека даних має першочергове значення.

«Ця робота підкреслює, як безпечна зашифрована обробка даних може захистити конфіденційність пацієнтів, водночас забезпечуючи передові діагностичні інструменти на основі ШІ. Він пропонує значний потенціал для покращення безпеки охорони здоров’я в діагностиці апное сну та в інших сферах», – сказав провідний дослідник Наліні Рата, доктор філософії, професор інновацій SUNY Empire на кафедрі комп’ютерних наук та інженерії Університетського університету.

Дослідження було опубліковано на Міжнародній конференції з розпізнавання образів (ICPR) 2024 року, яка відбулася 1-5 грудня в Калькутті, Індія. Серед співавторів — Чаранджит Джутла, науковий співробітник IBM; Арджун Рамеш Каушік, аспірант UB; і студенти MS Tilak Sharma і Bharat Yalavarthi, які нещодавно закінчили програму інформатики UB.

Максимізація переваг, зменшення ризиків

ШІ може принести користь як лікарям, так і пацієнтам, сказав Рата. Машинне навчання пропонує кілька переваг, зокрема швидший і ефективніший аналіз, здатність обробляти великі обсяги даних і потенціал для більш точної діагностики.

Наприклад, алгоритми глибокого навчання навчені визначати шаблони в сигналах ЕКГ, які вказують на порушення дихання або зниження рівня кисню під час сну, що характерно для апное уві сні. Аналізуючи великі обсяги даних ЕКГ, ці моделі можуть навчитися виявляти тонкі аномалії, які може бути важко ідентифікувати лікарям, пояснив він.

Непокоїть лише поширення даних, а також результати діагностики, оскільки це може порушити конфіденційність пацієнтів.

«Якщо постачальник хмарних послуг, як-от Google або Amazon, проводить аналітику моїх даних, вони потенційно можуть з’ясувати, який у мене стан апное уві сні, а потім почати надсилати мені оголошення про те чи інше», — сказав він. «Постачальники хмарних послуг також можуть мати домовленості з іншими компаніями про перехресний продаж мені речей. Інформація про апное сну призначена лише для мого лікаря; це не для публічного споживання, особливо для отримання прибутку від реклами в моїй ситуації».

Страхові компанії також могли б отримувати дані та потенційно підвищувати внески на пацієнтів із апное уві сні, оскільки їхні захворювання були виявлені.

«Якщо перша стіна конфіденційності зруйнована, втрата інформації може коштувати пацієнту багато в чому», — сказав Рата. «Коли ви збираєте всі ці ЕКГ без будь-яких обмежень, ви можете спробувати зробити багато непотрібних зв’язків. Якщо хтось надсилає свою ЕКГ постачальнику послуг в Інтернеті, ось тут ми вступаємо в справу. Як ми запобігмо зловживанню цими постачальниками послуг даними?»

Швидша та ефективна обробка зашифрованих даних

Відомо, що аналітика на основі FHE є повільнішою та складнішою, ніж традиційні методи аналітики незашифрованих даних.

Дослідники подолали ці недоліки, розробивши нові методи, які оптимізують ключові операції глибокого навчання, дозволяючи системі FHE працювати швидше та дешевше.

Приклади цих методів, які охоплюють усі етапи глибокої нейронної мережі, включають згортку, яка є методом, що використовується для виявлення шаблонів; функції активації, як випрямлений лінійний блок, який допомагає моделі приймати рішення; об'єднання, яке використовується для зменшення розміру даних; і повністю підключений рівень, який є нейронною мережею, в якій кожен вхідний вузол з’єднаний з кожним вихідним вузлом.

Посилаючись на стандартний приклад у домені FHE, Рата використав аналогію із золотом, щоб пояснити, як працює їхня система шифрування.

«Якщо ви хочете створити прикрасу із золота, але не хочете віддавати її безпосередньо ювеліру, тому що ви не знаєте, що ювелір змішає з нею, ви кладете її в коробку», — сказав він. . «Ювелір може доторкнутися до золота, але ніколи не може вийняти його зі скриньки. Скринька — це наше шифрування, дані — це золото, а ювелір — це алгоритм на основі FHE, який приходить і торкається даних, але не може витягти їх із коробки».

Рата підкреслив, що хоча вони використовували апное уві сні для цього дослідження, їхні висновки можуть бути застосовані до багатьох аналітичних даних рентгенівських зображень, МРТ, КТ та інших медичних процедур.

«Є багато ситуацій, коли конфіденційність має першорядне значення», — сказав він.

Знову та пора року – час для прогнозів! Ми починаємо 2025 рік прогнозів, оцінок і передбачень з теми, яка близька і дорога нашим серцям тут, на BigDATAwire: аналітика даних.

Світ бачив усі види шаблонів для аналітики: озера даних, сховища даних, аналітика в пам’яті та вбудована аналітика. Але в 2025 році стандартом для аналітики стане озерце даних, каже Еммануель Даррас, генеральний директор і співзасновник Kestra, розробника оркестровальної платформи з відкритим кодом.

«Очікується, що до 2025 року більше половини всіх аналітичних завдань працюватимуть на архітектурах lakehouse завдяки економії коштів і гнучкості, які вони пропонують», — каже Даррас. «Наразі компанії переходять від хмарних сховищ даних до озерних сховищ не лише для того, щоб заощадити гроші, але й для того, щоб спростити шаблони доступу до даних і зменшити потребу в дублюванні даних. Великі організації повідомили про економію понад 50%, що є серйозною перевагою для тих, хто потребує значної обробки даних».

Одним із великих рушійних факторів Data Lakehouse є стандартизація відкритих форматів даних. Це тенденція, яка продовжуватиме розвиватися у 2025 році, прогнозує Адам Бельмар, головний технолог групи технологічної стратегії в Confluent.

«Наступного року ми побачимо широку стандартизацію відкритих форматів даних, таких як Apache Iceberg, Delta Lake і Apache Hudi», — говорить Бельмар. «Це буде зумовлено більшим попитом на сумісність, коли підприємства прагнуть безпроблемно поєднувати дані з різних платформ, партнерів і постачальників. Оскільки підприємства надають пріоритет доступу до своєчасних високоякісних даних, формати відкритих даних більше не будуть необов’язковими, а обов’язковими для успіху бізнесу. Ті, хто не прийме ці відкриті стандарти, ризикують втратити конкурентну перевагу, а ті, хто їх прийме, зможуть запропонувати високоякісні пропозиції та статистику міжплатформних даних у реальному часі».

Двома найбільшими прихильниками центру даних є Snowflake і Databricks. Але у 2025 році люди втомляться від війни Snowflake/Databrick і звернуться до об’єднаних ІТ для вдосконаленої архітектури даних, каже Ендрю Медсон, технічний проповідник у Dremio та професор даних і аналітики в університетах Південного Нью-Гемпшира та Гранд-Каньйону.

«Центральні ІТ-команди продовжуватимуть децентралізацію відповідальності між бізнес-підрозділами, створюючи більш об’єднані операційні моделі», — каже Медсон. «Тим часом, монолітні архітектури від великих постачальників, таких як Snowflake і Databricks, інтегруватимуть додаткові інструменти, спрямовані на підвищення економічної ефективності та продуктивності, створюючи гібридні екосистеми, які поєднують інновації та практичність».

Моделювання даних роками потопало у відносній невідомості. У 2025 році практика матиме свій момент на сонці, каже Аді Полак, директор Confluent з адвокації та розробки досвіду розробників.

«Моделювання даних уже давно є сферою діяльності DBA (адміністраторів баз даних), але з поширеним використанням форматів відкритих таблиць, таких як Apache Iceberg, моделювання даних — це навичка, якою потрібно оволодіти більшій кількості інженерів», — каже Полак. «Для розробки додатків інженерам все частіше доводиться створювати багаторазово використовувані продукти даних, які підтримують робочі навантаження як у режимі реального часу, так і пакетні, з одночасним прогнозуванням моделей споживання в подальшому. Щоб ефективно створювати ці продукти даних, інженери повинні розуміти, як дані будуть використовуватися, і на ранній стадії розробити правильну структуру або модель, придатну для споживання. Ось чому моделювання даних стане важливою навичкою для інженерів, яку необхідно опанувати в наступному році.

Є одна тема, якої неможливо буде уникнути у 2025 році: штучний інтелект (так, незабаром у нас з’явиться матеріал про прогнози на 2025 рік). Вплив штучного інтелекту буде відчутним усюди, включно зі стеком аналітики даних, каже Крістіан Бакнер, старший віце-президент з аналітики та Інтернету речей Altair.

«Сьогодні багатьом бізнес-лідерам важко знати, які питання поставити своїм даним або де знайти відповіді», — говорить Бакнер. «Агенти штучного інтелекту змінюють це, автоматично надаючи інформацію та рекомендації, не потребуючи, щоб хтось запитував. Цей рівень автоматизації матиме вирішальне значення для того, щоб допомогти організаціям розблокувати глибше розуміння та зв’язки в їхніх даних і дати їм змогу приймати більш стратегічні рішення для бізнесу. для компаній важливо встановити огорожі, щоб контролювати пропозиції, керовані штучним інтелектом, і підтримувати довіру до результатів».

Коли ви сказали «аналітика», це раніше створювало образи того, як хтось запускає настільний інструмент BI для роботи з фрагментом даних зі сховища. Мої, часи змінилися. За словами генерального директора Sisense Аріеля Каца, 2025 рік призведе до загибелі традиційної бізнес-аналітики, яка буде замінена аналітикою на основі API та GenAI у кожному додатку.

«У 2025 році традиційні інструменти BI застаріють, оскільки архітектури на основі API та GenAI безперешкодно вбудовують аналітику в реальному часі в кожну програму», — каже Кац. «Аналіз даних буде надходити безпосередньо в CRM, платформи продуктивності та клієнтські інструменти, що дасть змогу співробітникам усіх рівнів миттєво приймати рішення на основі даних – технічна експертиза не потрібна. Компанії, які приймуть цю зміну, отримають безпрецедентну продуктивність і клієнтський досвід, залишивши статичні інформаційні панелі та закриті системи в пилу».

Великі дані були великими, тому що… ну, вони просто були (повірте нам). Але у 2025 році рух великих даних відкриє нову главу, вітаючи родича великих даних під назвою малі дані, прогнозує Франсуа Аженстат, директор з продуктів Amplitude.

«Останні кілька років спостерігали зростання обсягів даних, але 2025 рік перенесе фокус з «великих даних» на «малі дані», — каже Айенстат. «Ми вже спостерігаємо цю зміну мислення, коли великі мовні моделі поступаються місцем малим мовним моделям. Організації розуміють, що їм не потрібно надавати всі свої дані, щоб вирішити проблему чи завершити ініціативу – їм потрібно надати правильні дані. Надзвичайна кількість даних, яку часто називають «болотом даних», ускладнює отримання значущої інформації. Зосереджуючись на більш цілеспрямованих, високоякісних даних або «ставці даних», організації можуть забезпечити довіру та точність даних. Цей перехід до менших, релевантніших даних допоможе пришвидшити терміни аналізу, заохотить більше людей використовувати дані та збільшить рентабельність інвестицій від інвестицій у дані».

Завжди було круто мати високоякісні дані. Але у 2025 році наявність високоякісних даних стане обов’язковим для бізнесу, каже Раджан Гоял, генеральний директор і співзасновник DataPelago.

«Ми бачимо все більше повідомлень про те, що постачальники LLM борються з уповільненням роботи моделі, а закон масштабування штучного інтелекту все частіше ставиться під сумнів», — говорить Гоял. «Оскільки ця тенденція збережеться, наступного року стане загальноприйнятим, що ключем до розробки, навчання та тонкої настройки більш ефективних моделей штучного інтелекту є не більше даних, а кращі дані. Зокрема, ключовими будуть високоякісні контекстні дані, які відповідають передбачуваному варіанту використання моделі. Окрім розробників моделей, ця тенденція покладе більший обов’язок на кінцевих клієнтів, які володіють більшою частиною цих даних, щоб модернізувати свої архітектури керування даними відповідно до сучасних вимог штучного інтелекту, щоб вони могли ефективно налаштовувати моделі та підживлювати робочі навантаження RAG».

Силоси даних подібні до грибів: вони з’являються природним шляхом без будь-якого втручання людини. Але у 2025 році компаніям потрібно буде вийти на вершину зростання накопичених даних, якщо вони хочуть досягти успіху, каже Моллі Преслі, старший віце-президент із глобального маркетингу Hammerspace.

«У 2025 році знищення силосних даних стане критичною архітектурною проблемою для інженерів обробки даних і архітекторів штучного інтелекту», — пише Преслі. «Здатність агрегувати й уніфікувати різні набори даних між організаціями буде важливою для розвитку розширеної аналітики, штучного інтелекту та машинного навчання. ініціативи. Оскільки обсяг і різноманітність джерел даних продовжують зростати, подолання цих ізоляції буде мати вирішальне значення для забезпечення цілісного розуміння та прийняття рішень, яких вимагають сучасні системи ШІ».

Керуючи доступом користувачів до даних, іноді здається, що все відразу. Замість того, щоб боротися з розповсюдженням працівників і даних, у 2025 році команди навчаться ефективніше використовувати такі інструменти, як потокові дані, щоб підвищити свою продуктивність, прогнозує генеральний директор Arcitecta Джейсон Лорі.

«Розвиток віддаленої роботи та територіально розподілених команд змінив принципи роботи компаній», — каже Лорі. «Потокова передача даних у режимі реального часу дозволяє організаціям записувати події та ділитися живими стрічками по всьому світу, дозволяючи співробітникам співпрацювати над безперервними потоками даних без необхідності бути фізично присутніми. Ця тенденція, ймовірно, прискориться у 2025 році, оскільки все більше компаній запровадять інструменти, які сприятимуть безперебійному мовленню та розподілу даних. Забезпечуючи співпрацю в режимі реального часу між розподіленою робочою силою, компанії можуть скоротити витрати на поїздки, підвищити ефективність і швидше приймати більш обґрунтовані рішення. Глобальне охоплення технології потокової передачі даних буде розширюватися, що дозволить організаціям залучати ширший пул талантів і створювати більш динамічні та гнучкі операційні структури».

У цій статті Джеймс Геймерс, старший віце-президент з аналітики RAPP, обговорює інвестиції в штучний інтелект і те, що галузь може зробити, щоб змусити ШІ працювати.

Вибухове зростання інвестицій у штучний інтелект одночасно вихваляли як трансформаційний і критикували як надмірно роздутий. Обіцянка штучного інтелекту розблокувати нові рівні ефективності, персоналізації та розуміння спонукала до величезних фінансових зобов’язань. Але зростає дискуссія про те, чи справді цей сплеск інвестицій виправдав свої обіцянки, чи це призвело до «технічного перевищення», коли очікувані вигоди відстають від використаних ресурсів.

Невиконана обіцянка великих даних

Недавній звіт Goldman Sachs під назвою Gen AI: Забагато витрачається, замало користі? підкреслює значне занепокоєння: технічні гіганти та не тільки мають намір витратити понад 1 трильйон доларів США (8 мільярдів фунтів стерлінгів) на капітальні витрати на ШІ в найближчі роки, поки що мало що можна продемонструвати. Дарон Ацемоглу з Массачусетського технологічного інституту та Джим Ковелло з Goldman Sachs скептично ставляться до здатності штучного інтелекту створювати значні економічні переваги або вирішувати складні проблеми, які виправдовують такі високі витрати. Цей скептицизм відображає ширшу проблему нездійснених обіцянок великих даних. Величезні обсяги зібраних даних не завжди перетворювалися на практичні висновки чи значні переваги для бізнесу, що призвело до «технічного нависання».

Простого збору даних недостатньо. Потрібно мати глибше причинно-наслідкове розуміння ефективності маркетингу. Інтегруючи різноманітні джерела даних, ми можемо краще зрозуміти чинники поведінки клієнтів і відповідно оптимізувати маркетингові стратегії.

Людський елемент і розрив емпатії

У той час як деякі експерти зберігають оптимізм щодо довгострокових переваг штучного інтелекту, інші вказують на поточні обмеження, включаючи відсутність «вбивчої програми», яка виправдовує інвестиції. Це узгоджується з концепцією «розриву емпатії», коли обіцянки компаній значно перевищують їхні результати, що призводить до розчарування клієнтів. Парадокс масштабу та серйозності підкреслює нашу меншу чутливість до результатів із зростанням чисельності. Ці концепції мають вирішальне значення для розуміння того, чому великі набори даних не завжди можуть призвести до кращих людських зв’язків або бізнес-результатів.

Чіткість контексту та правильні дані

У звіті Goldman Sachs випливає, що проблема не в самому ШІ, а в тому, як він використовується. Це підтверджується важливістю контекстуальної ясності – розуміння того, що на поведінку клієнтів впливають різноманітні зовнішні та макрофактори, окрім того, що видно в даних першої сторони. Таким чином, дані першої сторони повинні бути збагачені іншими наборами даних у різних організаціях, а також сторонніми клієнтами, конкурентами та макроданими, щоб забезпечити більш повне уявлення про поведінку клієнтів. Цей підхід допоможе компаніям передбачити наслідки та прийняти обґрунтовані рішення, що зрештою призведе до кращих маркетингових стратегій і покращення рентабельності інвестицій.

Створення міцної основи ШІ для сталого зростання

Існують важливі компоненти, необхідні для створення міцної основи ШІ, яка підтримує стале зростання. Це стосується не лише технологій, але й стратегічних і культурних змін всередині організацій. Ось кілька ключових висновків:

1. Стратегічний підхід: уникайте захоплення останніми блискучими об’єктами ШІ. Натомість зосередьтеся на стратегічній та стабільній інтеграції ШІ у ваші бізнес-процеси.
2. Пов’язані дані, прийняття рішень і контент: штучний інтелект може збільшити творчий результат і стимулювати зростання, коли дані, прийняття рішень і створення контенту бездоганно пов’язані.
3. Управління та етика. Встановіть надійні керівні та етичні принципи, щоб забезпечити відповідальне використання штучного інтелекту, зменшуючи такі ризики, як упередженість, проблеми з конфіденційністю даних і проблеми з інтелектуальною власністю.
4. Культурна підтримка: розвивайте культуру, яка сприймає експерименти, готова терпіти невдачі та швидко навчатися. Цей гнучкий підхід може допомогти компаніям адаптуватися до середовища ШІ, що швидко розвивається.

Від даних до емпатії: творче тестування та людське розуміння

Щоб усунути розрив між потенціалом штучного інтелекту та його поточним впливом, компанії повинні переорієнтуватися на людський фактор і мати чіткий сценарій використання для створення цінності для кінцевого користувача в бізнесі або для клієнтів.

Одним із прикладів є використання штучного інтелекту для тестування креативу, щоб забезпечити створення найбільш вражаючої роботи. Креативне тестування передбачає структурований підхід, щоб переконатися, що маркетингові кампанії резонують із цільовою аудиторією перед повномасштабним запуском. Це можна зробити за допомогою комбінації даних першої сторони та використання надійних і репрезентативних споживчих панелей цільової аудиторії.

Завдяки профілюванню панелей можна краще зрозуміти їхні геодемографічні, соціально-економічні та особистісні риси. Це означає, що коли створюється новий вміст, компанії можуть розпочати передзапускове тестування кампаній, варіантів оголошень і повідомлень за допомогою панелей, щоб визначити, які варіанти найімовірніше забезпечать найвищу ефективність. Це включає оцінку легкості розуміння, відносності, подобання, інтересу, ймовірності залучення, володіння, диференціації та значущості.

З цього моменту штучний інтелект може аналізувати та оптимізувати для розуміння продуктивності за допомогою поєднання аналізу вмісту, нейронауки та стеження за очима. Це означає, що подальші оцінки, створені штучним інтелектом, можуть допомогти визначити найефективніші варіанти вмісту, оптимізувати попередній запуск і внести точніші налаштування під час кампанії.

Починаючи з попередньо перевіреного вмісту та постійно оптимізуючи на основі відгуків людей і аналізу штучного інтелекту, ми можемо запускати кампанії, які є точнішими, ефективнішими та досягають більшої конверсії аудиторії.

Збалансування даних і людського розуміння

Незважаючи на те, що організації вкладають значні кошти в штучний інтелект, ці інвестиції окупляться лише тоді, коли компанії навчаться збалансовувати дані та людське розуміння. Безсумнівно, існує потреба в більш тонкому підході до інвестування в штучний інтелект, який надає пріоритет людському зв’язку та контекстуальному розумінню так само, як і розвитку технологій. Зосереджуючись на контекстній ясності, співчутті та правильних сценаріях використання, компанії можуть перетворити штучний інтелект з модного слова на інструмент, який справді покращує успіх бізнесу. Головне — не більше даних, а розумніше, більш чуйне використання даних, які ми маємо.

Управління кількістю ліжок має вирішальне значення для систем охорони здоров’я, оскільки впливає на догляд за пацієнтами та безпеку, операційну ефективність, стійкість системи та фінансові результати. Зусилля, спрямовані на покращення та оптимізацію управління, часто є ізольованими від регіонів у центрі та можуть призвести до неоптимального використання ресурсів, непослідовного догляду за пацієнтами та неефективності між відділеннями для передачі та іншої координації догляду.

Оцінка наскрізного управління попитом на ліжка в усьому світі від прийому до виписки усуває багато небажаних наслідків локальної оптимізації. Компанія Froedtert Health визначила покращення управління потенціалом як важливу та цільову мету, якої можна досягти за допомогою штучного інтелекту, машинного навчання та підходів до аналізу даних.

Розуміння та аналіз потоку пацієнтів і його джерел дозволило команді створити набір інструментів прогнозування, розроблених спеціально для центру координації медичної допомоги. Froedtert Health змогла покращити догляд за пацієнтами, ввести в дію ключові показники ефективності та оптимізувати роботу за рахунок більш ефективного розміщення та використання персоналу та завчасного реагування на очікувані зміни в попиті на ліжка для пацієнтів.

Це призвело до оптимізації розподілу ресурсів, покращення потоку пацієнтів, кращої координації між відділеннями та економії коштів.

Раві Тея Каррі — інженер машинного навчання у Froedtert ThedaCare Health. Він і двоє його колег розкажуть про ці досягнення на HIMSS25 на сесії під назвою «Покращення планування потужностей і прогнозування попиту на ліжка за допомогою машинного навчання». Ми взяли інтерв’ю у Каррі, щоб коротко дізнатися, що він планує обговорити в березні на HIMSS25 під час сесії.

З. Яка головна тема вашої сесії, і чому вона особливо актуальна для охорони здоров’я та медичних ІТ сьогодні?

А. Основна тема нашої сесії зосереджена на вдосконаленні управління потужністю лікарень і прогнозуванні попиту на ліжка за допомогою застосування штучного інтелекту та методів машинного навчання. Ця тема стає все більш актуальною в охороні здоров’я, оскільки лікарні стикаються з непередбачуваними змінами кількості пацієнтів.

Сезонні сплески, незаплановані госпіталізації та коливання потреб пацієнтів ускладнюють оптимальний розподіл ресурсів. Використання штучного інтелекту та машинного навчання для прогнозування попиту на ліжка та потоку пацієнтів дозволяє лікарням оптимізувати персонал, розподіляти ліжка та оптимізувати роботу, що призводить до покращення догляду за пацієнтами та загальної ефективності.

Наша сесія також дослідить, як організації охорони здоров’я можуть використовувати штучний інтелект і машинне навчання для перетворення процесів у попередні робочі процеси, а не реактивні. Цей проактивний підхід дає змогу точніше прогнозувати кількість пацієнтів і покращувати міжвідомчу координацію, зрештою покращуючи досвід пацієнтів завдяки більш ефективному розподілу ресурсів і своєчасному наданню медичної допомоги.

Інтеграція цих прогнозних моделей у повсякденну роботу дає змогу організаціям охорони здоров’я краще передбачати коливання попиту, мінімізувати ризики переповненості та покращити міжвідомчу координацію.

З. Ви зосереджуєтеся на AI та ML, важливих технологіях у сфері охорони здоров’я сьогодні. Як вони використовуються в охороні здоров’я в контексті вашої тематики та змісту?

А. Наша сесія присвячена технологіям штучного інтелекту та машинного навчання, зокрема їх застосуванню в прогностичній аналітиці для прогнозування попиту на ліжка та управління потужністю в лікарнях. Моделі ML розроблені для аналізу великих наборів даних, у тому числі історії госпіталізації пацієнтів, тенденцій виписки, моделей сезонних захворювань та інших факторів, для прогнозування майбутніх потреб у лікарні.

Ми досліджуватимемо, як ці моделі можуть прогнозувати потік пацієнтів і попит на ліжко-місця, дозволяючи організаціям охорони здоров’я приймати більш обґрунтовані рішення щодо розподілу ресурсів, персоналу та управління доглядом за пацієнтами.

Ці прогностичні моделі використовують алгоритми для виявлення закономірностей і тенденцій у надходженні пацієнтів, тривалості перебування та виписці, що дозволяє лікарням прогнозувати коливання попиту з високою точністю. ML об’єднує дані з багатьох джерел, у тому числі відділень невідкладної допомоги, хірургічних відділень та амбулаторної допомоги, щоб забезпечити комплексне уявлення про організаційну спроможність.

Цей аналіз допомагає керівництву лікарень і координаторам медичної допомоги передбачити різке зростання попиту на ліжка, наприклад, під час сезонів грипу або після стихійних лих, і ефективно планувати, щоб забезпечити доступність ресурсів, коли це найбільше потрібно. Впроваджуючи ці технології, заклади охорони здоров’я можуть перейти від реактивного підходу до більш проактивної та випереджаючої моделі управління потоком пацієнтів.

У нашій сесії ми розглянемо, як машинне навчання може бути ефективно застосоване в охороні здоров’я для прогнозування попиту на ліжка та покращення управління потужністю. Аналізуючи історичні дані, такі як кількість госпіталізованих пацієнтів, схеми виписки та сезонні тенденції, моделі ML можуть прогнозувати потреби лікарень у місткості.

Ці прогнози дозволяють організаціям охорони здоров’я оптимізувати розподіл ресурсів, планувати потреби у персоналі та забезпечувати покращений догляд за пацієнтами, забезпечуючи проактивний, а не реактивний підхід до операцій.

Ми також обговоримо, як ці моделі ML можна інтегрувати в робочі процеси охорони здоров’я, перетворюючи прогнози на дії для персоналу лікарні. Замість того, щоб залишатися в експериментальних середовищах або ізольованих інструментах, прогнози обробляються, зберігаються та стають доступними для прийняття рішень через платформи бізнес-аналітики.

Ці інструменти BI дають медичному персоналу доступ до інформації для ефективного планування, наприклад розподілу ліжок, управління персоналом і координації виписки пацієнтів, що в кінцевому підсумку покращує ефективність роботи та результати пацієнтів.

Запитання. З чим, як ви сподіваєтеся, учасники залишать вашу сесію та зможуть застосувати їх, коли повернуться додому до своїх організацій?

А. Ключовий висновок, який ми сподіваємося, що учасники отримають від нашої сесії, це знання про впровадження інструментів прогнозної аналітики на основі машинного навчання для покращення управління потенціалом власної лікарні.

Учасники дізнаються, як прогностичні моделі можуть точно прогнозувати попит на ліжка та визначати потенційні вузькі місця в потоках пацієнтів до того, як вони виникнуть. Ці знання допоможуть керівникам приймати рішення на основі даних, ефективніше розподіляти ресурси та уникати перевантаження підрозділів або персоналу в періоди пік.

Використовуючи цей набір інструментів, постачальники медичних послуг можуть мінімізувати коригування персоналу в останню хвилину, оптимізувати використання ліжок і забезпечити безперервний догляд за пацієнтами в періоди високого попиту. Прогнозування потоку пацієнтів у всій лікарні, а не в ізольованих відділеннях, дозволяє оптимізувати розподіл ресурсів між відділеннями та мінімізувати затримки, спричинені невідповідністю між попитом пацієнтів і наявними ресурсами.

Це сприятиме кращій комунікації між клінічними командами та оперативними керівниками, що призведе до плавніших переходів між етапами догляду за пацієнтами та покращення загального досвіду пацієнтів.

Сесія Раві Теджа Каррі «Покращення планування потужностей і прогнозування потреби в ліжках за допомогою машинного навчання» запланована на вівторок, 4 березня, о 10:15 за адресою HIMSS25 в Лас-Вегасі.

Слідкуйте за репортажами Bill's HIT на LinkedIn: Білл Сівіцкі
Надішліть йому електронний лист: bsiwicki@himss.org
Healthcare IT News — це видання HIMSS Media

У статті, опублікованій 29 листопада, Нік Ортнер обговорює свої занепокоєння щодо впливу американського Закону про права на конфіденційність (APRA) на малий бізнес. Коротко кажучи, APRA — це запропоноване федеральне законодавство про конфіденційність даних, яке вирішило б кошмар дотримання вимог, створений нинішнім мозаїкою державного законодавства про конфіденційність даних.

Наразі існує 19 штатів із комплексним законодавством про конфіденційність даних із різними вимогами, обмеженнями та іншими положеннями.

---