Категорія: Великі Дані та Аналітика

Нова функція безпеки від Google означає, що пристрої Android можуть незабаром почати перезавантажувати автоматично – і це не погано. Нещодавно оновлення служб Google Play, Google детально розповідає про те, як ваш телефон Android незабаром перезавантажиться, якщо ви не використовували його протягом трьох днів поспіль.

Як допомагають перезавантаження

Це важливо з двох причин. Перший полягає в тому, що, щоб відкрити телефон після перезавантаження, ви повинні ввести PIN -код – немає біометрики чи іншого методу розблокування. Доступ лише для PIN-коду означає, що телефон, а дані на ньому важче отримати доступ до тих, хто має погані наміри. Якщо ви один із людей, які користуються телефоном без будь -який Сорт захисту від розблокування, це важливий шар безпеки.

Крім

Друга причина – трохи більш технічна, але так само важлива. Мобільні телефони мають два стани блокування: Перед першим блокуванням (BFU) та після першого блокування (AFU). У BFU інформація та файли на телефоні надійно зашифровані та повністю недоступні, навіть зі складними програмами вилучення.

Це також означає, що органи влади, які захопили телефон як докази, такі як місцеві правоохоронні органи або ФБР, матимуть коротше вікно часу для доступу до пристрою, перш ніж стане набагато складніше.

Також: Біометрика проти паропів: Що рекомендують адвокати, якщо ви турбуєтесь про безгладний пошук телефонів

Телефон BFU залишається підключеним до Wi-Fi або мобільних даних, це означає, що якщо ви втратите телефон та перезавантаження, ви все одно зможете користуватися послугами, що встановлюють місцеположення.

Apple представила подібну функцію для iPhone минулого року.

Розгортання

Ця нова функція є частиною нотатки до випуску системи Google 2025 року. Це, здавалося б, стосувалося б планшетів, але не застосовуватиметься до носіння, таких як Pixel Watch, Television або Android Auto Devices.

Також: Як заводські скидання вашого телефону Android, не розблокуючи його спочатку

Google не сказав, якщо ви зможете перемістити цю функцію або змінити часовий обмеження для перезавантаження.

Оскільки ця функція є частиною сервісів Google Play, ви побачите її без того, що ваш телефон не переживає повне оновлення системи.

Отримайте найвищі історії ранку у своїй папці “Вхідні” щодня з нашими Технологія сьогодні.

Я шанс створити сервер MCP для програми спостереження, щоб забезпечити агента AI з динамічними можливостями аналізу коду. Через свій потенціал для трансформації додатків, MCP – це технологія, про яку я ще більш екстатично, ніж я спочатку стосувався Genai взагалі. Я писав більше про це та деякий вступ до MCP в цілому в попередньому дописі.

В той час як початкові POC продемонстрували, що існує величезний Потенціал, щоб це було множником сили до цінності нашого продукту, для виконання цієї обіцянки знадобилося кілька ітерацій та декількох спотикань. У цій публікації я спробую зафіксувати деякі засвоєні уроки, оскільки я думаю, що це може принести користь іншим розробникам сервера MCP.

Мій стек

• Я використовував курсор і VScode з перервами як головний клієнт MCP
• Для розробки самого сервера MCP я використовував .NET MCP SDK, оскільки я вирішив розмістити сервер на іншій службі, написаній в .NET

Урок 1: Не скидайте всі свої дані на агент

У моєму додатку один інструмент повертає агреговану інформацію про помилки та винятки. API дуже детальний, оскільки він обслуговує складний перегляд інтерфейсу, і виводить велику кількість глибоко пов'язаних даних:

• Рамки помилок
• Уражені кінцеві точки
• Сліди стека
• Пріоритет і тенденції
• Гістограми

Моя перша думка полягала в тому, щоб просто викрити API як є як інструмент MCP. Зрештою, агент повинен мати можливість мати більше сенсу, ніж будь -який погляд інтерфейсу, і надати цікаві деталі чи зв’язки між подіями. Я мав на увазі кілька сценаріїв щодо того, як я б очікував, що ці дані будуть корисними. Агент міг автоматично пропонувати виправлення для останніх винятків, записаних у виробництві або в середовищі тестування, повідомте мені про помилки, які виділяються, або допомогти мені вирішити деякі систематичні проблеми, які є основною причиною проблем.

Основна передумова полягала в тому, щоб дозволити агенту працювати свою «магію», при цьому більше даних потенційно означає більше гачків для агента, щоб зафіксувати свої зусилля. Я швидко кодував обгортку навколо нашого API на кінцевій точці MCP і вирішив почати з основного підказки, щоб побачити, чи працює все:

Ми можемо бачити, що агент був досить розумним, щоб знати, що йому потрібно зателефонувати іншому інструменту, щоб захопити ідентифікатор навколишнього середовища для цього “тест«Навколишнє середовище, про яке я згадував. З цим, після того, як виявив, що за останні 24 години не було останнього винятку, тоді він знадобився свободу, щоб сканувати більш тривалий період часу, і саме тоді все стало трохи дивно:

Яка дивна відповідь. Агент запитує на винятки за останні сім днів, на цей раз отримує деякі відчутні результати, і все ж продовжується до того, як взагалі ігноруючи дані. Він продовжує намагатися використовувати інструмент по -різному, і різні комбінації параметрів, очевидно, що не зафіксують, поки я не помітить, що він не викликає, що дані є абсолютно невидимими. Поки помилки надсилаються назад у відповідь, агент фактично стверджує, що є Ніяких помилок. Що відбувається?

Після деякого розслідування проблема виявилася тим, що ми просто досягли обмеження в здатності агента обробляти велику кількість даних у відповіді.

Я використовував існуючий API, який був надзвичайно багатослівним, який я спочатку навіть вважав перевагу. Кінцевим результатом було те, що мені якось вдалося переповнити модель. Загалом у відповіді JSON було близько 360 тис. Слів і 16 тис. Сюди входять стек викликів, кадри помилок та посилання. Це слід підтримувались лише перегляду обмеження контексту вікна для моделі, яку я використовував (Sonnet Claude 3.7 повинен підтримувати до 200 к -лекенів), але, тим не менш, великий сміттєзвалище залишило агента ретельно натхненним.

Однією з стратегій було б змінити модель на ту, яка підтримує ще більше вікна контексту. Я перейшов на Gemini 2.5 Pro Модель просто перевірити цю теорію, оскільки вона може похвалитися обурливою межею в мільйон жетонів. Звичайно, той самий запит тепер дав набагато розумнішу відповідь:

Це чудово! Агент зміг проаналізувати помилки і знайти систематичну причину багатьох з них з деякими основними міркуваннями. Однак ми не можемо покластися на користувача, використовуючи певну модель, і для ускладнення речей це було виведено з відносно низького середовища тестування пропускної здатності. Що робити, якщо набір даних був ще більшим?
Для вирішення цього питання я вніс деякі основні зміни в структурованому API:

• Вкладена ієрархія даних: Зберігайте початкову відповідь зосередженою на деталях та агрегаціях високого рівня. Створіть окремий API для отримання стеків викликів конкретних кадрів за потребою.
• Посилити запит: Усі запити, зроблені досі агентом, використовували дуже невеликий розмір сторінки для даних (10), якщо ми хочемо, щоб агент мав змогу отримати доступ до більш відповідних підмножин даних, що відповідають обмеженням його контексту, нам потрібно надати більше API для помилок запитів на основі різних вимірів, наприклад: уражених методів, типу помилок, пріоритетів та впливу тощо.

За допомогою нових змін цей інструмент постійно аналізує важливі нові винятки та придумує пропозиції щодо виправлення. Однак я поглянув на чергову незначну деталь, яку мені потрібно було сортувати, перш ніж я міг реально використовувати його надійно.

Урок 2: Який час?

Читач із захопленими очима, можливо, помітив, що в попередньому прикладі, щоб отримати помилки в певному часовому діапазоні, агент використовує Тривалість часу ISO 8601 Формат замість фактичних дат і часу. Тож замість того, щоб включити стандарт 'З'і'До'Параметри зі значеннями DateTime, AI надіслав значення тривалості, наприклад, сім днів або P7d, Щоб вказати, він хоче перевірити наявність помилок за останній тиждень.

Причина цього дещо дивна – Агент може не знати поточної дати та часу! Ви можете перевірити це самостійно, задаючи агенту це просте запитання. Нижче було б сенс, якби не той факт, що я набрав цю підказку близько полудня 4 травня…

Використання часу тривалість Значення виявилися чудовим рішенням, яким агент досить добре впорався. Не забудьте задокументувати очікуване значення та синтаксис прикладу в описі параметра інструменту!

Урок 3: Коли агент робить помилку, покажіть, як зробити краще

У першому прикладі мене насправді здивовано тим, як агент зміг розшифрувати залежності між різними дзвінками інструментів, щоб забезпечити правильний ідентифікатор середовища. Вивчаючи контракт MCP, він з'ясував, що він повинен спочатку зателефонувати на інший інструмент, щоб отримати список ідентифікаторів середовища.

Однак, відповідаючи на інші запити, агент іноді приймає назви середовища, згадані в оперативному дослівному. Наприклад, я помітив, що у відповідь на це питання: Порівняйте повільні сліди для цього методу між тестовими та виробничими середовищами, чи є суттєві відмінності? Залежно від контексту, Агент іноді використовував би назви навколишнього середовища, згадані у запиті, і надсилатиме рядки “тест” та “prod” як ідентифікатор навколишнього середовища.

У моїй оригінальній реалізації мій сервер MCP мовчки провалюється в цьому сценарії, повернувши порожню відповідь. Агент, отримуючи жодних даних, або загальна помилка, просто припинить і спробує вирішити запит за допомогою іншої стратегії. Щоб компенсувати цю поведінку, я швидко змінив свою реалізацію, щоб, якщо було надано неправильне значення, відповідь JSON описала, що саме пішло не так, і навіть надасть дійсне перелік можливих значень, щоб зберегти агента інший дзвінок інструменту.

Цього було достатньо для агента, навчаючись на його помилці, він повторив дзвінок з правильним значенням і якось також уникнув цієї самої помилки в майбутньому.

Урок 4: Зосередьтеся на намірах користувача, а не на функціональності

Хоча спокусливо просто описати, що робить API, іноді загальні терміни не зовсім дозволяють агенту реалізувати тип вимог, для яких ця функціональність може найкраще застосовуватись.

Візьмемо простий приклад: у мого сервера MCP є інструмент, який для кожного методу, кінцевої точки або місця коду може вказати, як він використовується під час виконання. Зокрема, він використовує дані, що відстежують, щоб вказати, які потоки програми досягають конкретної функції або методу.

Оригінальна документація просто описала цю функціональність:

[McpServerTool,
Description(
@"For this method, see which runtime flows in the application
(including other microservices and code not in this project)
use this function or method.
This data is based on analyzing distributed tracing.")]
public static async Task GetUsagesForMethod(IMcpService client,
[Description("The environment id to check for usages")]
string environmentId,
[Description("The name of the class. Provide only the class name without the namespace prefix.")]
string codeClass,
[Description("The name of the method to check, must specify a specific method to check")]
string codeMethod)

Наведене вище представляє функціонально точний опис того, що робить цей інструмент, але не обов'язково дає зрозуміти, для яких типів діяльності він може бути актуальним. Побачивши, що агент не підбирає цей інструмент для різних підказок, я вважав, що він буде досить корисним, я вирішив переписати опис інструменту, на цей раз підкреслюючи випадки використання:

[McpServerTool,
Description(
@"Find out what is the how a specific code location is being used and by
which other services/code.
Useful in order to detect possible breaking changes, to check whether
the generated code will fit the current usages,
to generate tests based on the runtime usage of this method,
or to check for related issues on the endpoints triggering this code
after any change to ensure it didnt impact it"

Updating the text helped the agent realize why the information was useful. For example, before making this change, the agent would not even trigger the tool in response to a prompt similar to the one below. Now, it has become completely seamless, without the user having to directly mention that this tool should be used:

Lesson 5: Document your JSON responses

The JSON standard, at least officially, does not support comments. That means that if the JSON is all the agent has to go on, it might be missing some clues about the context of the data you’re returning. For example, in my aggregated error response, I returned the following score object:

"Score": {"Score":21,
"ScoreParams":{ "Occurrences":1,
"Trend":0,
"Recent":20,
"Unhandled":0,
"Unexpected":0}}

Without proper documentation, any non-clairvoyant agent would be hard pressed to make sense of what these numbers mean. Thankfully, it is easy to add a comment element at the beginning of the JSON file with additional information about the data provided:

"_comment": "Each error contains a link to the error trace,
which can be retrieved using the GetTrace tool,
information about the affected endpoints the code and the
relevant stacktrace.
Each error in the list represents numerous instances
of the same error and is given a score after its been
prioritized.
The score reflects the criticality of the error.
The number is between 0 and 100 and is comprised of several
parameters, each can contribute to the error criticality,
all are normalized in relation to the system
and the other methods.
The score parameters value represents its contributation to the
overall score, they include:

1. 'Occurrences', representing the number of instances of this error
compared to others.
2. 'Trend' whether this error is escalating in its
frequency.
3. 'Unhandled' represents whether this error is caught
internally or poropagates all the way
out of the endpoint scope
4. 'Unexpected' are errors that are in high probability
bugs, for example NullPointerExcetion or
KeyNotFound",
"EnvironmentErrors":[]

Це дозволяє агенту пояснити користувачеві, що означає бал, якщо вони просять, але також подати це пояснення у власні міркування та рекомендації.

Вибір правильної архітектури: SSE vs stdio,

Є дві архітектури, які ви можете використовувати при розробці сервера MCP. Більш поширеною та широко підтримуваною реалізацією є надання вашого сервера доступним як командування спрацьовує клієнтом MCP. Це може бути будь-яка команда, що триває CLI; NPX, Dockerі Пітон є деякими поширеними прикладами. У цій конфігурації все спілкування здійснюється за допомогою процесу Stdioі сам процес працює на клієнтській машині. Клієнт несе відповідальність за інстанціюючу та підтримку життєвого циклу сервера MCP.

Ця архітектура на стороні клієнта має один головний недолік з моєї точки зору: Оскільки реалізація сервера MCP працює клієнтом на локальній машині, набагато складніше розкочити оновлення або нові можливості. Навіть якщо ця проблема якось вирішена, тісне з'єднання між сервером MCP та API Backend, від яких залежить у наших програмах, ще більше ускладнить цю модель з точки зору версії та сумісності вперед/назад.

З цих причин я вибрав другий тип сервера MCP – сервер SSE, розміщений як частина наших служб додатків. Це видаляє будь -яке тертя з запуску команд CLI на клієнтській машині, а також дозволяє мені оновлювати та версію коду сервера MCP, а також код програми, який він споживає. У цьому сценарії клієнту надається URL -адреса кінцевої точки SSE, з якою він взаємодіє. Хоча в даний час не всі клієнти підтримують цю опцію, існує геніальний CommandMcp під назвою Supergateway, який може бути використаний як проксі -сервер для реалізації сервера SSE. Це означає, що користувачі все ще можуть додати більш широко підтримуваний варіант STIIO і все ще споживати функціональність, розміщені на вашому бекенді SSE.

MCP все ще нова

Існує набагато більше уроків та нюансів для використання цієї оманливо простої технології. Я виявив, що існує великий розрив між впровадженням працездатного MCP до такого, який може фактично інтегруватися з потребами користувачів та сценаріями використання, навіть за винятком тих, кого ви очікували. Сподіваємось, у міру дозрівання технології ми побачимо більше публікацій про найкращі практики.

Хочете підключитися? Ви можете зв’язатися зі мною у Twitter за адресою @doppleware або через LinkedIn.
Слідуйте за моїмMCP Для аналізу динамічного коду з використанням спостереження на https://github.com/digma-ai/digma-mcp-server

Доброго дня. Дякуємо за модерування, Пітер. Це честь бути з вами сьогодні, і завжди чудово повернутися до Стенфорда та в Інституті Гувера. Я провів тут кілька формальних років своєї кар'єри, в тому числі як національний хлопець, і завжди насолоджуюся поверненням. І це привілей поділитися колегією з доктором Шнабелом та президентами Мусалем та Хаммак. Я з нетерпінням чекаю нашої дискусії.¹

До цього я хотів би коротко обговорити тему, яку я вважаю критичним для майбутнього шляху економіки: зростання продуктивності праці. Зростання продуктивності в останні роки було напрочуд сильним, і це вплинуло на мою думку на відповідну позицію грошово -кредитної політики. Я також вивчу дві постійні розробки, які, ймовірно, впливатимуть на зростання продуктивності праці вперед: зміни в торговельній політиці та більш широке прийняття штучного інтелекту (AI). Динаміка продуктивності – це те, що я давно тісно вивчав і продовжуватиму ретельно звертати увагу на те, як я вважаю відповідну позицію грошово -кредитної політики.

Корисно почати з озирнення близько трьох років до середини 2022 року. У цей момент глобальна економіка значною мірою знову відкрилася після закриття пандемії, була розміщена історична кількість федеральної підтримки, і безробіття падало до півстоліття. Але перебої постачання зберігалися, і 12-місячний рівень інфляції досяг свого піку на рівні понад 7 відсотків. Проблема для політиків Федеральної резервної політики була зрозумілою: повернути інфляцію до 2 -відсоткової цілі, зберігаючи здоров'я ринку праці. Федеральний комітет з відкритих ринку (FOMC), до якого я приєднався до того року, почав підвищувати ставку федеральних коштів з майже нуля, в кінцевому рахунку досягнувши трохи вище 5 відсотків до середини 20123 року. Багато синоптиків передбачили, що рецесія в 2023 році швидше за все. І все -таки один не здійснився. Натомість інфляція значно знизилася, а безробіття залишалося низьким. Як відбувся цей незвичайний та вітальний результат?

Два помітні фактори-це розмотування умов епохи пандемії, які раніше обмежували пропозицію як товарів, так і робочої сили у поєднанні з обмежувальною грошово-кредитною політикою, яка сприяла поміркованню сукупного попиту. Сьогодні я хотів би звернути увагу на третій фактор: більший, ніж зазвичай, підвищення продуктивності під час відновлення пандемії.

До пандемії з 2007 по 2019 рік зростання продуктивності в бізнес -секторі в середньому становило 1,5 відсотка щорічно. За останні п’ять років зростання продуктивності праці прискорилося до 2 відсотків. Незважаючи на те, що деякі підвищення продуктивності можуть відображати ситуації, унікальні для повторного відкриття економіки, помітно, що рівень продуктивності, виміряний результатами на годину, залишався вище тенденції протягом 2023 та 2024 років.² Це підвищення продуктивності частково зумовлено дефіцитом пандемічної праці. Коли важко було знайти працівників, оскільки багато американців вийшли на пенсію або вийшли з робочої сили, багато підприємств впроваджували. Наприклад, ресторани прийняли в Інтернеті додатки та роздрібні торговці прискорили реалізацію систем самообслуговування.³ Ці зміни підвищили ефективність та сприяли розширенню потенційного валового внутрішнього продукту (ВВП). Як результат, ціновий тиск полегшив їх піку, поки попит залишався сильним.

Покращена продуктивність широко корисна для економіки. Це дозволяє працівникам отримувати підвищення заробітної плати без компаній, які потребують подальшого підвищення цін та допомагають забезпечити доступ до продуктів та послуг, які вони вимагають. Крім того, і особливо актуальні для мене як грошово -кредитного розробника, зростання потенційного виробництва зменшує необхідність використання грошової політики для уповільнення попиту. Цей ефект є корисним з очевидної причини, що він дозволяє збільшити економічне зростання без більшої інфляції. Але важливо, що це також знижує ризик перевищення політики, яка може призвести до зростання рівня безробіття.

Тепер, коли я розглянув роль, яку зростання продуктивності відігравав у відновленні післяпандемії, я хотів би зосередитись на двох компенсаційних силах на продуктивність, яку я зараз вивчаю. Це зміни торговельної політики та зростання ШІ.

Я очікую, що в найближчій перспективі поводиться на продуктивність праці, що випливає з останніх змін до торговельної політики та пов'язаної з ними невизначеності з кількох причин. По -перше, невизначеність щодо торговельної політики, ймовірно, зменшить інвестиції в бізнес вперед. У цей час фірми не знають остаточного рівня та захворюваності на тарифи чи їх тривалості. Фірми, що роздумують про великі інвестиції, можуть спостерігати за умовами, які могли б утриматись під парадоксом ощадливості, цікавившись, чи можуть вони отримати кращу угоду, якщо вони просто чекають. Більш високі витрати на імпортні матеріали та компоненти також можуть змусити фірми затримати або масштабувати свої інвестиційні плани. Це зменшення формування капіталу може призвести до повільніших технологічних інновацій та прийняття та зниження загальної ефективності виробничих процесів. По -друге, протекціоністська торгова політика, хоча і призначена для підтримки внутрішніх галузей, може ненавмисно призвести до менш конкурентного середовища, якщо вони підтримують менш ефективні фірми. По-третє, будь-які перебої ланцюгів поставок, що виникають внаслідок змін політики, зробить виробництво повільнішим та менш ефективним. Ці порушення можуть призвести до невідповідностей запасів, затримок виробництва та збільшення витрат, коли фірми намагаються знайти альтернативних постачальників або переробити свою продукцію для розміщення нових вхідних обмежень. Цей набір перебоїв може поставити особливий виклик для кредитних політиків. Зниження потенційного ВВП означає менше слабкості в економіці, що, в свою чергу, означає більший інфляційний тиск. Відповідно до принципу Тейлора, для якого на цій конференції не потрібно пояснення, причал більша інфляція вимагає більш високого рівня політики. Я вважаю, що очікування інфляції надійно закріплюється. Тому все інше рівне, нижча продуктивність може призвести до того, що я підтримував рівень утримання на більш високому рівні.

Другий постійний економічний розвиток, який я бачу, змінюючи продуктивність, – це швидко розширюється використання ШІ. Я вважаю цю нову технологію, як імовірно, що має значний позитивний вплив на зростання продуктивності праці. Насправді я вважаю, що AI як готовий бути принаймні таким же трансформаційним, як і інші технології загального призначення, такі як друкарня, парова машина та Інтернет. З більш широким прийняттям AI ми могли б спричинити потенційне виробництво.

Як я обговорював у кількох останніх виступах, AI має потенціал для революції численних секторів нашої економіки.⁴ Ми вже бачимо, що помічники AI підвищують продуктивність у обслуговуванні клієнтів, розробці програмного забезпечення та медичній діагностиці. Здатність AI обробляти та аналізувати величезну кількість даних може призвести до прориву в наукових дослідженнях та інноваціях, що призведе до збільшення швидкості прибуття нових ідей, що ще більше посилює його вплив на продуктивність.

Звичайно, бум продуктивності AI прийшов би з власним набором викликів. Якщо потенційна продукція розширюється занадто швидко, це може залишити слабкість в економіці та ринку праці. Більше того, підвищення продуктивності від ШІ може не бути рівномірним для всіх секторів, типів роботи чи завдань, що призводить до перехідного періоду, коли ринок праці коригується. Незважаючи на ці виклики, я оптимістично ставлюсь до ШІ та його потенціалу сприяти значному зростанню продуктивності в найближчі роки.

Підводячи підсумок, я бачу важливу роль для зростання продуктивності праці у наданні допомоги розробникам політики FOMC для досягнення наших цілей подвійного мандату. Ця динаміка розігралася, поряд з іншими факторами, в останні роки, коли інфляція полегшилася від історичних максимумів, тоді як ринок праці залишався міцним. Два, що розгортаються, економічні події, ймовірно, впливатимуть на зростання продуктивності в найближчі роки – зокрема, зміни в торговельній політиці та розширенні ШІ. Ці дві події можуть виявити, що вони суперечать один одному, але це занадто рано передбачити саме. Я буду ретельно стежити за розробками в цьому просторі. Я з нетерпінням чекаю взаємодії з тими, хто вивчає цю тему, включаючи, я впевнений, багато в цій кімнаті.

Дякую. Я з нетерпінням чекаю дискусії.

---

1. Погляди, висловлені тут, є моїми власними і не обов'язково є думками моїх колег у Федеральній резервній раді або Федеральному комітету з відкритих ринку. Повернутися до тексту

2. Для додаткової дискусії див. У полі “Продуктивність праці з початку пандемії” в Раді губернаторів Федеральної резервної системи (2025), Звіт про грошово -кредитну політику (PDF) (Вашингтон: Рада губернаторів, лютий), стор. 18–20. Повернутися до тексту

3. Дивіться Остан Гулсбі, Чад Сиверсон, Ребекку Голдгоф та Джо Татарка (2025), “Цікавий зростання продуктивності в ресторанах США”, NBER робоча стаття 33555 (Кембридж, Массачусетс: Національне бюро економічних досліджень, березень). Повернутися до тексту

4. Див. Лізу Д. Кук (2024), “Штучний інтелект, великі дані та шлях, що випереджає продуктивність”, промова, що проводиться у “Зрив з підтримкою технологій: наслідки AI, великих даних та віддаленої роботи”, конференція, організована банками Федерального резерву Атланти, Бостона та Річмонда, проводиться в Атланті, Джорджія, 1 жовтень.

Зворотній зв'язок – це популярний набік нового вченого, дивлячись на новітні новини про науку та технології. Ви можете подати предмети, на які, на вашу думку, можуть розважити читачів на відгук, електронною поштою відгук@newscientist.com

Як крихає кит

Детальніше про тему незвичайних одиниць вимірювання, зокрема, як передавати розмір інформації. Уважні читачі згадають припущення Крістофера Діонни про те, що масштаб великих наборів даних можна було б передати, порівнюючи їх з геномом синього кита (12 квітня).

Брюс Хортон пише з твердим рипостами. “Вся суть використання синіх китів для вимірювання розміру речей полягає в тому, що всі знають, наскільки великий синій кит, тому ми можемо легко візуалізувати довжину всього, що вимірюється синіми китами”, – пише він. “Але більшість людей не можуть візуалізувати розмір ДНК синього кита, щоб ідея не спрацювала добре”.

У нього є сенс. Зворотній зв'язок все ще відлякується епохою проекту геному людини на початку 2000 -х, коли нам довелося знайти порівняння, щоб зрозуміти, скільки інформації проводиться на нашій ДНК. Вони часто стосувалися стеків Біблії, що сягають на півдорозі до Місяця. Сьогодні ми просто використали б зібрані Колесо часу книги.

На щастя, у Брюса є рішення. Він вказує нам на дослідження 2005 року в науковому журналі Parody Аннали неймовірних дослідженьякий описує SNAP: протокол передачі даних на основі равликів. Дослідники приєднали гігантську африканську землю до двоколісного візка, колеса яких були компакт-дисками або DVD-дисками. Поки равлик рухався повільно, дані, тим не менш, проїжджали на 37 000 кілобайт в секунду-це означає, що система на основі равликів передає інформацію швидше, ніж існуючі широкосмугові з'єднання.

Snap, стверджує Брюс, ” – це стандартна одиниця вимірювання передачі даних, яка легко для того, щоб візуалізувати та розуміти, і рекомендується для загального використання”.

Можливо. Поки ми чекаємо подальшої кореспонденції, ми хочемо порекомендувати новий підрозділ, розроблений Кеном Тейлором та його дружиною. У них є сад, який включає деякі дерева Дамсона, які Кен описує як “горезвісно мінливу врожай з року в рік”. Отже, вони встановили «крихту», що є мірою того, скільки десертів вони можуть зробити за урожай. Кен повідомляє: “2024 був дуже поганий рік – всього 3 розсипки”.

Шок -висновки

“Ну, хто б це подумав”, – каже редактор новин Олександра Томпсон. “Зупиніть преса”. Вона привертала увагу зворотного зв'язку на прес -реліз із заголовком: “Потрапивши в позашляховик, збільшує ймовірність смерті або серйозних травм, нові дослідження”.

Порівняно з меншими автомобілями, один із цих чудових позашляховиків, швидше за все, вбиває вас, якщо він вас вдарить. Тепер ви можете очікувати, що відгук придушить при великій очевидності цього: так, важчі предмети вдарили важче, ніж легші, якщо вони приходять з однаковою швидкістю. Але, звичайно, однією з головних чеснот науки є відмова приймати здоровий глузд для відповіді, а натомість перевірити речі.

Ми запрошуємо внески читачів у категорію “Не лайно, Шерлок”. Чим болісніше очевидно відкриття і втомлено завислий експеримент, тим краще. Чи люди насолоджуються пікніками менше, якщо вони переповнені мурахами? Чи збільшується ваш рахунок за воду, якщо у вас є герметичний кран? Принаймні один допитливий розум хоче знати.

Лизати борсуків

Історик Грег Дженнер зробив помітне відкриття у квітні. Напишіть на Bluesky, Грег каже: “Ви можете ввести будь -яке випадкове речення в Google, а потім додати” значення “після цього, і ви отримаєте пояснення відомої ідіоми чи фрази, яку ви щойно склали”.

Винахід Грега полягав у тому, що “ти не можеш лизати борсука двічі”, що AI Google AI повідомив йому, що “ти не можеш обдурити чи обдурити когось вдруге після того, як вони були обдуровані один раз”. Гм, насамперед, електорат США просить відрізнятися. По -друге, це є, і ми не можемо цього наголосити достатньо, повністю складеним. І все -таки це не зупинило AI, що розповсюджує детальне пояснення. “” Лизання “в цьому контексті означає обдурити чи обманювати когось”, – йдеться у повідомленні, і “Фраза, ймовірно, походить з історичним видом спорту борсука”. Приманка борсука була справжньою справою; Цей етимологічний зв’язок не є.

У відповідях люди подали власні складені фрази та “інтерпретації” Google. Кіт Йейтс придумав “Ти не можеш пробігти милю, не вдаривши його молотком”, що, мабуть, “мотиваційна фраза, яка часто використовується для підкреслення труднощів або боротьби, пов'язаних з досягненням мети”. Зворотній зв'язок був особливо в захваті від використання “часто” у цьому потоку дурниць.

Kai Kupferschmidt запропонував “краще мати щупальця в наметі, ніж щур у кріслі Раттана”. Google повідомив йому, що це “жартівлива ідіома, яка говорить про те, що краще опинитися в ситуації, яка спочатку незручна або незвична, ніж ситуація, яка є небажаною та/або небезпечною”. Зворотній зв'язок має ряд думок з цього приводу, що не в останню чергу: чому б щупальця слід вважати незручним, але не небезпечним? Ми прочитали HP Lovecraft: щупальця – це поганий знак.

На жаль, функція “значення”, здається, була деактивована. Ми намагалися переконати Google дати нам визначення для “ніколи не натирайте капусту з оленями”, і це не зробить цього.

Звичайно, це означає вибрати AI за те, що він був побудований: генерування відповідей на запитання. І це не так, як ми не зустрічали жодних людей, які скоріше бликають нісенітниці, ніж визнають, що вони не знають відповіді на запитання.

Але це, можливо, підкреслює проблеми з додаванням цієї технології на сторінку, яка мала бути джерелом точної інформації. Зараз відгуки вже не повністю довіряють результатам у Google, що іронічно означає, що AI мав рацію: ви дійсно не можете лизати борсука двічі.

Отримали історію для відгуків?

Ви можете надіслати історії на відгук електронною поштою на адресу відгук@newscientist.com. Будь ласка, включіть домашню адресу. Цього тижня та минулі відгуки можна побачити на нашому веб -сайті.

Організації та професійні асоціації відіграватимуть вирішальну роль у підтвердженні нових інструментів штучного інтелекту (AI) для фармацевтів, пояснив Гаррі Тревіс, президент групи Travis. Крім того, роздроблений характер даних про аптеку потребує спільних зусиль для встановлення стандартів та вдосконалення доступу до даних для ефективної реалізації ШІ.

Стенограма відредагована для ясності; Підписи були створені авто.

Стенограма

Як фармацевти можуть забезпечити, щоб інструменти AI залишалися точними та вільними від упередженості у використанні в реальному світі?

Я думаю, що фармацевти повинні звернутися до своїх професійних організацій та довірених організацій, і їм доведеться зробити важку роботу з перевірки цих інструментів. Це, мабуть, надмірно спрощена метафора [or] Порівняння, але якщо ви підете назад у часі, 30 років [or] 40 років тому автоматичні лічильники таблеток вийшли в Інтернет. Ми вірили, що ці автоматизовані лічильники таблеток збираються рахувати 90 таблеток? Всі вони повинні були бути підтверджені, і окремі фармацевти цього не зробили. Тіла акредитації зробили це. [It’s going to be the] Те саме з інструментами AI. Тіла з акредитації [and] Професійні асоціації повинні активізувати та заповнити цю прогалину та спілкуватися [to] Фармацевт, який “ми повернулися до цього”.

Дані та доступ до даних були постійною боротьбою за охорону здоров'я. Як ми можемо забезпечити, щоб AI має доступ до даних, якими він повинен використовуватись точними, ефективними та безпечними способами?

Дані існують у багатьох різних місцях, що стоять за такою кількістю різних кодів доступу та брандмауерами, і подібними речами. Кожна компанія, яка існує в ланцюжку даних аптеки – і я регулярно в цьому бізнесі – ми дійсно просто повинні пройти важку роботу кожного постачальника технологій [and] Кожен постачальник даних, який намагається розібратися, як проводяться API [application programming interfaces] Налаштування? І чи потрібно нам придумати нові галузеві консорції, щоб допомогти у сумісності даних та стандартах даних? Або [do] Ті, хто в даний час існує, потрібно адаптувати для AI, щоб окремий користувач повинен був впевнено, що вони зможуть отримати дані. Тому що у вас є найрозумніший агент у світі, але якщо він не може отримати дані, він мертвий після прибуття. І [it requires] Командна робота, багато командної роботи.

Акції Palantir Technologies Inc. впали на понад 8% у торгівлі після годин сьогодні, незважаючи на те, що компанія з аналітики великих даних перемагає очікування щодо доходів та настанов, оскільки інвестори, можливо, очікували ще більш сильних результатів.

За свій фінансовий 2025 рік, що закінчився 31 березня, Палантір повідомив, що скоригований прибуток на акцію в 13 копійок, що перевищує восьми центів за акцію в тому ж кварталі 2024 року, за доходом 883,9 млн. Дол. США, що перевищує 39% за рік. Заробіток на акцію відповідав 13 центів, які очікують аналітики, а дохід Палантіра випереджав очікувані 863 мільйони доларів.

Palantir побачив, що дохід США зросла на 55%за рік, до 828 мільйонів доларів, комерційний дохід США-на 71%, до 255 мільйонів доларів, а дохід уряду США-на 45%, до 373 мільйонів доларів.

У кварталі також компанія забронювала свій найвищий квартал американської комерційної контрактної вартості, яка склала 810 мільйонів доларів, що майже втричі порівняно з роком тому. Загальна вартість угоди про комерційну угоду зросла на 127%, до 2,32 мільярда доларів станом на кінець березня.

Нові угоди та клієнти були ключовими для сильних цифр Палантіра, а клієнти компанії підраховують 39% за рік. Компанія закрила 139 угод щонайменше 1 мільйон доларів у кварталі, 51 угода – щонайменше 5 мільйонів доларів та 31 угоди – щонайменше 10 мільйонів доларів.

Бізнес основні моменти в кварталі включали інтеграцію моделей Vision Xai Corp. Grok-2 та Grok-2 в платформу штучного інтелекту Palantir, розширення можливостей для логіки, автоматизації, будівельника трубопроводів та інших інструментів AIP з вдосконаленою мовою та баченням. Palantir також представив новий інтерфейс програмування програм для модельних експериментів, який дозволяє розробникам відстежувати, візуалізувати та порівнювати навчальні тренінги за допомогою Python, що полегшує оптимізацію моделей у існуючих робочих процесах.

У кварталі також Палантір оголосив стратегічне партнерство з Databricks Inc., яка спрямована на поєднання операційної системи AI Palantir з інженерною та аналітикою даних даних даних. Співпраця прагне забезпечити більш об'єднане AI та рішення даних для підприємств та державних клієнтів.

“Ми перебуваємо в середині тектонічної зміни в прийнятті нашого програмного забезпечення, особливо в США, де наші доходи зросли на 55% за рік, тоді як наш комерційний дохід у США збільшився на 71% у першому кварталі, щоб перевершити щорічний курс пробігу”,-сказав співзасновник та головний виконавчий директор Олександр К. Карп. “Ми доставляємо операційну систему для сучасного підприємства в епоху ШІ”.

Як результат, він додав: “Ми підвищуємо свої цілорічні вказівки щодо загального зростання доходів до 36% та наше керівництво щодо зростання комерційних доходів США до 68%”.

За свій фінансовий другий квартал Палантір очікує, що дохід від 934 мільйони до 938 мільйонів доларів США та скоригований дохід від операцій від 401 до 405 мільйонів доларів. Перспективи доходу напевно випереджали 899,4 мільйона доларів, які очікують аналітики.

За свій повний фінансовий рік компанія очікує, що дохід від 3,89 млрд. До 3,902 млрд. Дол.

Зображення: Палантір

Уряд США розширює спостереження за соціальними медіа для моніторингу мільйонів відвідувачів та іммігрантів – і його сприйняття більшої кількості аналітики даних та інструментів штучного інтелекту також може збільшити ретельний контроль громадян США.

“Це майже-якщо не зовсім-неможливо, щоб уряд зосередився лише на негромадянах і не дивитися на чужих соціальних медіа”,-каже Рейчел Левінсон-Вальдман у Центрі справедливості Бреннана, неприбуткової політики …

Прийняття агентського штучного інтелекту (AI) у всьому світі та в Таїланді забезпечить бізнес з можливістю розуміти споживачів у кількох ситуаціях, що дозволяє їм приймати розумні рішення.

Agentic AI інтегрує дані, вдосконалені технології та творчі можливості, щоб допомогти підприємствам підвищити їх маркетинг, комунікацію/продуктивність реклами та розробку продуктів.

Teeradet Dumrongbhalasitr, виконавчий директор компанії Egg Digital, провідний постачальник аналітики великих даних, що використовує AI, інтегровані медіа та маркетингові послуги, заявив, що зростання агентського ШІ є зміною ігор, оскільки ця система не є лише помічником, а й технологією, яка може планувати, визначити та еволюціонувати самостійно.

“Агентний АІ відзначає перехід від розумних інструментів до справді розумного, автономного досвіду”, – сказав він.

Г -н Терадет заявив, що підприємства та бренди повинні прийняти агента AI, щоб дати їм всебічне розуміння клієнтів та автоматизувати їх розумне прийняття рішень.

Ця технологія може допомогти сприяти розвитку глибоких маркетингових стратегій та планів комунікацій, оснащуючи підприємства з можливістю доставляти відповідні пропозиції у відповідний час на каналах, що пропонують динамічний персоналізований досвід, сказав він.

PwC повідомила, що 17,8% тайських підприємств прийняли AI у 2024 році, а 73,3% планують використовувати його в майбутньому.

Більше того, 70% тайських малих та середніх підприємств використовують або тестують AI, при цьому 90% повідомляють про зростання доходу від ШІ.

Дослідження Telenor Asia в січні 2025 року виявило, що 77% респондентів використовують інструменти AI для особистого використання, особливо розваги, такі як соціальні медіа та потокове відео.

Яєчний цифровий прогнозує ринок AI та аналітики даних до 2028 року, охоплюватиме п'ять областей: аналітика, орієнтована на AI, обробка природної мови для взаємодії з даними, персоналізовані та контекстні візуалізації, прогнозні та наказові уявлення в масштабі та об'єднана екосистема даних.

Компанія співпрацювала з глобальними лідерами AI Tech для впровадження своєї агентської системи AI AI, розроблена для того, щоб допомогти підприємствам зрозуміти клієнтів та автоматизувати своє інтелектуальне прийняття рішень на основі трьох основних підприємств Analytics AI та консультації, конвергенції медіа та маркетингових технологічних рішень.

Яєчний цифровий також представив п'ять клієнтських двигунів, що працюють на його системі AI агента.

До п'яти двигунів належать “дані першої сторони-великі дані”, які мають можливість підвищити ефективність маркетингу за допомогою динамічної персоналізації.

Інша – агентна лабораторія AI, агентна модель AI, розроблена для того, щоб допомогти бізнесу приймати рішення швидше, точніше та розумніше.

Управління координації досліджень та розробок Національного наукового фонду, що діє в Управлінні з питань науки та технологій Білого дому, проводить публічні коментарі до 29 травня на стратегічному плані досліджень та розробок штучного інтелекту 2025 року, який має на меті зберегти США «неперевершеним світовим лідером» в ШІ.

В даний час США, схоже, мають щось вузьке лідерство в районі над Китаєм. Нещодавно генеральний директор NVIDIA Дженсен Хуанг підкреслив ставки, попереджаючи, що Китай “дуже близький” для нас можливостей і що гонка ШІ “довгострокова, нескінченна”, CNBC цитував його.

Запит на інформацію (RFI) підкреслює необхідність визначення “унікальної ролі федерального уряду в дослідженні та розробок AI (НДДКР) протягом наступних 3 – 5 років”. Він шукає вклад у сфери, де інвестиції в приватному секторі можуть не вистачати. RFI зазначає, що уряд повинен визначити пріоритет дослідження, що “галузь навряд чи вирішиться”, оскільки, хоча вона може “обслуговувати національні інтереси”, вона “не може забезпечити негайну комерційну віддачу”.

RFI спеціально шукає представників громадськості, “включаючи дослідників ШІ, лідерів галузі та інших зацікавлених сторін, які безпосередньо займаються або впливають на науково -дослідні роботи”, щоб забезпечити вклад. Також просили ідеї щодо конкретних пріоритетів НДДКР, що наводить такі приклади, як “Основні досягнення в алгоритмах AI, архітектури”, “Дослідження високого ризику, високодоступних апаратів AI”, “апаратне забезпечення AI наступного покоління” та “агентні та фізично втілені AI”.

AI Pioneer та начальник AI Facebook Ян Лекунн висвітлили запит уряду на LinkedIn, назвавши це “уряд США просить поради щодо національної стратегії AI R&D”. Його пост дала майже 500 реакцій станом на 3 травня, включаючи 49 коментарів та 40 репостів. Видатні відповіді варіювались від біоінформатичного попередження про те, що RFI може стати “інтелектуальним вилученням для приватної вигоди” до прохання інвесторів-стартап-інвестора про те, що федеральні долари підтримували “рамки eval” та “відкритий інструмент для випадків використання реального світу”.

Дослідники з лабораторії інформатики та штучного інтелекту MIT (CSAIL) розробили нову модель штучного інтелекту, натхненну нейронними коливаннями в мозку, з метою значно просування, як алгоритми машинного навчання обробляють довгі послідовності даних.

AI часто бореться з аналізом складної інформації, яка розгортається протягом тривалих періодів часу, таких як тенденції клімату, біологічні сигнали чи фінансові дані. Один новий тип моделі AI, що називається “Моделі стану простору”, була розроблена спеціально для більш ефективного розуміння цих послідовних моделей. Однак існуючі моделі стану простору часто стикаються з проблемами-вони можуть стати нестабільними або вимагати значної кількості обчислювальних ресурсів при обробці довгих послідовностей даних.

Для вирішення цих питань дослідники CSAIL T. Konstantin Rusch та Daniela rus розробили те, що вони називають «лінійними моделями коливального стану-простору» (Linoss), які використовують принципи примусових гармонічних осциляторів-концепція, глибоко вкорінена у фізиці та спостерігається в біологічних нейронних мережах. Цей підхід забезпечує стабільні, експресивні та обчислювально ефективні прогнози без надмірно обмежувальних умов щодо параметрів моделі.

“Наша мета полягала в тому, щоб зафіксувати стабільність та ефективність, що спостерігаються в біологічних нейронних системах, і перетворити ці принципи в машинну рамку навчання”, – пояснює Руш. “За допомогою Linoss ми тепер можемо надійно вивчити взаємодію дальньої дальності, навіть у послідовностях, що охоплюють сотні тисяч точок даних або більше”.

Модель Linoss унікальна в забезпеченні стабільного прогнозування, вимагаючи набагато менш обмежувального вибору проектування, ніж попередні методи. Більше того, дослідники жорстко довели загальну можливість моделі, тобто вона може наблизити будь -яку безперервну, причинну функцію, що стосується вхідних та вихідних послідовностей.

Емпіричне тестування продемонструвало, що Linoss послідовно перевершує існуючі найсучасніші моделі в різних вимогливих завданнях та завданнях прогнозування. Зокрема, Linoss перевершив широко використовувану модель MAMBA майже два рази у завданнях, що включають послідовності екстремальної довжини.

Визнаний за його значення, дослідження було обрано для усної презентації в ICLR 2025 – честь, присуджена лише перших 1 відсотка подання. Дослідники MIT передбачають, що модель Linoss може суттєво вплинути на будь-які сфери, які отримали б користь від точного та ефективного прогнозування та класифікації довгого горизонту, включаючи аналітику охорони здоров'я, науку про клімат, автономне водіння та фінансові прогнози.

“Ця робота є прикладом того, як математична суворість може призвести до прориву продуктивності та широких додатків”, – говорить Рус. “За допомогою Linoss ми надаємо науковій спільноті потужним інструментом для розуміння та прогнозування складних систем, подолання розриву між біологічним натхненням та обчислювальними інноваціями”.

Команда уявляє, що поява нової парадигми, як Ліносс, буде цікаво практикам машинного навчання. Забігаючи наперед, дослідники планують застосувати свою модель до ще більш широкого спектру різних способів даних. Більше того, вони припускають, що Ліносс міг би забезпечити цінну інформацію про нейронауку, потенційно поглиблюючи наше розуміння самого мозку.

Їх роботи підтримали Швейцарський національний науковий фонд, програма Schmidt AI2050 та Міністерство американського прискорювача штучного інтелекту ВПС.