Blog

Стратегічний альянс націлений на цифрову трансформацію ринку ліків, що відпускаються за рецептом США, вартістю 634,32 мільярда (1) доларів США за допомогою монетизації даних із підтримкою блокчейну та підвищення ефективності за допомогою ШІ

БІВЕРТОН, ОРЕГОН, 22 жовтня 2025 р. (GLOBE NEWSWIRE) —

DataVault AI, Inc. («DataVault») (NASDAQ: DVLT),

лідирує в дослідженні даних ШІ, оцінці та монетизації

,

і

Wellgistics Health, Inc. (“Wellgistics”) (NASDAQ: WGRX)

лідер у сфері розповсюдження фармацевтичних препаратів наступного покоління, цифрової маршрутизації рецептів і виконання робіт на базі штучного інтелекту, сьогодні оголосила, що дві компанії уклали необов’язковий лист про наміри щодо впровадження смарт-контрактів із підтримкою блокчейну між виробниками та пацієнтами («PharmaChain

^™

“) у власну технологію Wellgistics і фізичну інфраструктуру для індустрії ліків, що відпускаються за рецептом. Мета партнерства полягатиме в тому, щоб повністю оцифрувати відстеження ліків, що відпускаються за рецептом, від сценарію до виконання, щоб гарантувати, що потрібний препарат потрапляє до потрібного пацієнта в потрібний час із правильними рекомендаціями щодо безпечного та ефективного використання. Наразі компанії розглядають угоду про розподіл доходів від комісій, отриманих від використання PharmacyChain аптеках.

«За останнє десятиліття DataVault AI створив портфель запатентованих технологій, які позиціонують нас на передньому краї монетизації даних та блокчейн-інновацій у багатьох галузях», — сказав Натаніель Бредлі, генеральний директор і співзасновник DataVault AI. «Ринок ліків, що відпускаються за рецептом США, вартістю 639 мільярдів доларів США вступає в нову еру цифрової трансформації, і наша PharmacyChain

^™

Платформа являє собою масштабовану можливість отримати вимірну цінність для кожної зацікавленої сторони — від виробників і лікарів до аптек, платників і пацієнтів. Інтегруючи смарт-контракти з підтримкою блокчейну, ми створюємо більш ефективну, прозору та підзвітну екосистему рецептів, яка узгоджує фінансові стимули з покращеними результатами для пацієнтів».

Wellgistics нещодавно оголосила про впровадження HubRx AI, повністю настроюваного агента штучного інтелекту (AI Agents), призначеного для оптимізації впровадження AI Агентів для аптек. Агенти штучного інтелекту допоможуть оптимізувати послуги, що відпускаються за рецептом, скоротити витрати фармацевта та покращити результати пацієнтів, дотримуючись при цьому суворого контролю конфіденційності, безпеки та дотримання нормативних вимог у сфері охорони здоров’я. HubRx інтегрується з іншими технологічними інструментами Wellgistics Einstein Rx AI для підтримки клінічних рішень та оптимізації безпеки та Wellgistics Hub (раніше DelivMeds).

^®

) цифрова інфраструктура маршрутизації рецептів для поєднання з фізичною інфраструктурою Wellgistics, щоб допомогти зустрічати пацієнтів там, де вони є. Фізична інфраструктура Wellgistics включає мережу дистрибуції (3PL та склад), надійну мережу з понад 6500 незалежних аптек по всій країні та власну аптеку (фізичну та онлайн).

«Покращення доступу пацієнтів до ліків, що відпускаються за рецептом, шляхом мінімізації адміністративного тягаря за допомогою смарт-контрактів із підтримкою блокчейну є наступним логічним кроком, який допоможе фармацевтам гарантувати, що пацієнти отримають свої ліки вчасно та в рамках бюджету», — сказав Прашант Пател, RPh, президент і тимчасовий генеральний директор Wellgistics. “Відповідність режимам лікування, підвищення безпеки пацієнтів шляхом зменшення взаємодії між ліками завдяки оцінці вручну, усунення марнотратства, шахрайства та зловживань і максимізація відшкодування для аптек, а також зменшення адміністративного тягаря для страхових компаній є центральними стовпами того, що Wellgistics просуває вперед із PharmacyChain. Завдяки використанню ключової інтелектуальної власності на основі блокчейну, розробленої DataVault, яка охоплює наші вертикалі, ми гарантуємо, що будемо мати здатність вести бізнес у довгостроковій перспективі та будувати нашу екосистему таким чином, що дозволить нам збільшити нашу частку ринку та маржу, коли ми виходимо на нові ринки».

Будь-яка реалізація рішення PharmacyChain і будь-яка домовленість про розподіл доходу підлягатиме переговорам і виконанню остаточних угод і виконанню застосовних умов, і немає жодної гарантії, що такі угоди будуть укладені, що запланована співпраця буде завершена або що будуть отримані будь-які доходи.

Про Datavault AI Inc.

Datavault AI

^™

(Nasdaq: DVLT) є лідером у сфері обробки даних, оцінки та монетизації активів у середовищі Web 3.0, керованих ШІ. Хмарна платформа компанії надає комплексні рішення зі спільним фокусом у її відділах акустики та даних. Відділ акустичних наук Datavault AI використовує WiSA

^®

ДО ПОБАЧЕННЯ

^®

і шумер

^®

запатентовані технології та перші в галузі базові просторові та багатоканальні технології бездротової передачі звуку високої чіткості з IP-технологіями, що охоплюють синхронізацію аудіо, синхронізацію та багатоканальне усунення перешкод. Підрозділ Data Science використовує потужність Web 3.0 і високопродуктивних обчислень, щоб надати рішення для емпіричного сприйняття даних, оцінки та безпечної монетизації. Хмарна платформа Datavault AI надає комплексні рішення для багатьох галузей, включаючи ліцензування програмного забезпечення HPC для спорту та розваг, заходів і місць, біотехнологій, освіти, фінансових технологій, нерухомості, охорони здоров’я, енергетики тощо. Обмін інформаційними даними

^®

(IDE) підтримує Digital Twins, ліцензування імені, зображення та подібності (NIL) шляхом безпечного прикріплення фізичних об’єктів реального світу до незмінних об’єктів метаданих, сприяючи відповідальному ШІ з цілісністю. Набір технологій Datavault AI повністю настроюється та пропонує автоматизацію штучного інтелекту та машинного навчання (ML), інтеграцію сторонніх розробників, детальну аналітику та дані, автоматизацію маркетингу та моніторинг реклами. Штаб-квартира компанії розташована в Бівертоні, Орегон. Дізнайтеся більше про Datavault AI на www.dvlt.ai.

Про Wellgistics Health, Inc.

Wellgistics Health (NASDAQ:WGRX) доставляє ліки від виробника до пацієнта швидше, розумніше та дешевше. Його інтегрована платформа об’єднує понад 6500 аптек і понад 200 виробників, пропонуючи оптову дистрибуцію, цифрову маршрутизацію рецептів, доставку безпосередньо до пацієнта та послуги центру на базі штучного інтелекту, такі як відповідність критеріям, прихильність, адаптація, попередня авторизація та виконання готівкових платежів. Як альтернатива PBM-agnostic, Wellgistics надає наскрізні рішення, призначені для відновлення доступу, прозорості та довіри до охорони здоров’я США.

Для отримання додаткової інформації відвідайте www.wellgisticshealth.com.

Прогнозні заяви

Цей прес-реліз містить «прогнозні заяви» за значенням Закону про реформу судових процесів щодо приватних цінних паперів 1995 року з поправками та інших законів про цінні папери. Такі слова, як «очікувати», «буде», «передбачається», «продовжується», а також варіації таких слів і подібні майбутні або умовні вирази призначені для ідентифікації прогнозних заяв. Такі прогнозні заяви, включно з наведеними тут заявами щодо наших бізнес-можливостей і перспектив, стратегії, майбутніх очікуваних доходів, ліцензійних ініціатив, патентних ініціатив, а також успішного впровадження запатентованих технологій, обов’язково ґрунтуються на оцінках і припущеннях, які, хоча ми та наше керівництво вважаємо розумними, за своєю суттю є невизначеними. Читачів застерігають не покладатися надмірно на ці прогнозні заяви. Фактичні результати можуть суттєво відрізнятися від тих, що вказані в цих прогнозних заявах, через різні ризики та невизначеності, включаючи, але не обмежуючись, наступне: наша здатність успішно використовувати всю інтелектуальну власність, яка була видана та надана Повідомленням про надбавку; ризики щодо нашої здатності використовувати придбані нами активи для успішного збільшення нашої частки ринку; ризики щодо нашої здатності відкривати нові джерела доходу в результаті різних патентів, згаданих у цьому прес-релізі; наша поточна ліквідність і потреба в отриманні додаткового фінансування для підтримки поточних операцій; загальні ринкові, економічні та інші умови; наша здатність продовжувати безперервне підприємство; наша здатність підтримувати лістинг наших звичайних акцій на Nasdaq; наша здатність керувати витратами та виконувати наші операційні та бюджетні плани; наша здатність досягати наших фінансових цілей; ступінь, до якої наші ліцензіати впроваджують наші технології у свої продукти, якщо взагалі; графік будь-якого такого впровадження; ризики, пов’язані з технологічними інноваціями та інтелектуальною власністю, а також інші ризики, детальніше описані в наших заявках до Комісії з цінних паперів і бірж США. Інформація в цьому прес-релізі надається лише на дату цього прес-релізу, і ми не беремо на себе жодних зобов’язань оновлювати будь-які прогнозні заяви, що містяться в цьому повідомленні, на основі нової інформації, майбутніх подій або іншим чином, за винятком випадків, передбачених законом.

Цей прес-реліз може містити прогнозні заяви. Прогнозні заяви включають заяви щодо планів, цілей, цілей, стратегій, майбутніх подій або результатів діяльності, а також основні припущення та інші заяви, які не є заявами про історичні факти. Коли Wellgistics Health використовує такі слова, як «може», «буде», «має намір», «повинен», «вважати», «очікувати», «передбачати», «прогнозувати», «оцінювати» або подібні вирази, які не стосуються виключно історичних питань, це робить прогнозні заяви. Ці прогнозні заяви включають, без обмежень, заяви щодо стратегії Wellgistics Health та описи її майбутніх операцій, перспектив і планів. Прогнозні заяви не є гарантією майбутніх результатів і включають ризики та невизначеності, які можуть призвести до суттєвої відмінності фактичних результатів. Додаткові фактори обговорюються в документах Wellgistics Health до SEC, доступних на www.sec.gov.

Цей прес-реліз не є пропозицією продати або закликом до пропозиції купити будь-які цінні папери в будь-якій юрисдикції, і не має бути продажу цінних паперів у жодній юрисдикції, в якій така пропозиція, звернення або продаж були б незаконними.

1. https://www.grandviewresearch.com/industry-analysis/us-pharmaceuticals-market-report

ЗМІ та контакти з інвесторами


ЗМІ:

[email protected]

Відносини з інвесторами:

[email protected]

Контактна особа зі зв'язків з інвесторами


Skyline Corporate Communications Group, LLC

Скотт Пауелл, президент

1177 Avenue of the Americas, 5-й поверх

Нью-Йорк, Нью-Йорк 10036

Кабінет: (646) 893-5835

Електронна пошта:

[email protected]

Корпоративні комунікації

ІБН

Остін, Техас

www.InvestorBrandNetwork.com

512.354.7000 Офіс

[email protected]

Контакт для ЗМІ:


[email protected]

Агентство з аналізу ринку оприлюднило своє бачення майбутнього глобальної індустрії краси та особистої гігієни у 2026 році та надалі.

Це прогнозує Mintel до 2030 року краса вийде за межі шкірної глибини — споживачі очікують, що сироватки та добавки стануть подвійною діагностикою здоров’я. У той же час досвід краси зміниться від простого досягнення результату до регулювання настрою та пробудження емоцій, а недосконалість стане новою досконалістю.

Mintel втілює ці зміни три ключові тенденції: Метаболічна краса; Сенсорна синергія; і Human Touch Revolution.

Metabolic Beauty знаменує конвергенцію здоров’я, технологій і персоналізації.

За словами Ендрю Макдугалла, директора відділу краси та особистої гігієни Mintel, 2026 рік стане переломним, оскільки споживачі вимагають продуктів, які поєднують косметичні переваги з вимірними результатами оздоровлення. Прогрес у тестуванні біомаркерів, метаболічному моніторингу та біоінтелектуальних технологіях дозволить доглядати за шкірою та харчовими добавками як діагностичні інструменти для отримання енергії, зволоження та відновлення клітин. До 2030 року шкіра та волосся розглядатимуться як ключові показники внутрішнього здоров’я, а краса розглядатиметься як профілактичний догляд, а не як задоволення.

Sensorial Synergy досліджує перехід краси від ефективності до досвіду.

Оскільки споживачі віддають перевагу емоційному здоров’ю, процедури краси стають засобом регулювання настрою та уважності. Інновації у функціональних ароматах, нейронауці та захоплюючих технологіях, таких як VR, піднімуть ритуали догляду за собою до мультисенсорного досвіду. До 2030 року продукцію оцінюватимуть не лише за видимими результатами, але й за їхньою здатністю викликати емоції та створювати незабутні моменти гарного самопочуття, виходячи за межі догляду за собою до подорожей, гостинності та дизайну інтер’єру.

Поза межами алгоритму: революція людського дотику є реакцією на цифрову досконалість.

Ця тенденція відображає зростаючу втому від алгоритмічної досконалості та образів, створених ШІ. Після десятиліття, коли домінували фільтри та гіперкурована естетика, споживачі сприймають недосконалість, креативність та автентичність. Цей рух не є антитехнологіями, а радше перекалібруванням — прославленням людського самовираження як найвищої розкоші. Бренди, які звертають увагу на своїх виробників, майстерність і чесну розповідь, матимуть найбільший резонанс. До 2030 року найбажанішими враженнями від краси будуть ті, які відчуваються глибоко по-людськи — емоційні, експресивні, які неможливо підробити.

Завантажити повний звіт тут.

Збій у Amazon Web Services (AWS) у понеділок став яскравим нагадуванням про взаємозалежність та вразливість онлайн-світу. The найбільший у світі платформу хмарних обчислень викликала критику близько 15 годинпорушивши все: від Apple до лікарень і United Airlines до Snapchat Кільце камер спостереження. Було понад 1000 веб-сайтів і додатків вибитий з мережі.

Тоді як AWS сказав, що поломка було вирішеноце залишило багато питань про те, що саме пішло не так, про ризики аутсорсингу нашої технологічної інфраструктури та про те, що збій означає для нашого нерозривно пов’язаного цифрового життя. Щоб знайти деякі відповіді, я поговорив з Мехді Даудіспівзасновник і генеральний директор компанії Catchpoint Systems, що займається моніторингом продуктивності Інтернету в Нью-Йорку. Він почав працювати над проблемами стійкості Інтернету та інфраструктури в 1997 році.

Таннер Нау: Що сталося в понеділок?

ST. ПОЛ. Колишній житель Нортленда поверне понад 45 000 доларів своєму колишньому роботодавцю за зловживання їхніми комп’ютерними системами для майнінгу криптовалюти для особистої вигоди.

45-річний Джошуа Пол Армбраст був засуджений у вівторок окружним суддею США Джеррі Блеквеллом до трьох років випробувального терміну після того, як він у квітні визнав себе винним у комп’ютерному шахрайстві.

Згідно з судовими документами, Армбраст продовжував використовувати ресурси Digital River, глобальної компанії електронної комерції та обробки платежів, що базується на Міннетонці, більше року після того, як він пішов у відставку в лютому 2020 року.

За допомогою схеми, відомої як «криптоджекінг», він скористався обчислювальною потужністю нині неіснуючої компанії, щоб отримати та ліквідувати Ethereum на суму 5895 доларів США, змусивши Digital River поглинути комісію за веб-послуги на суму 45 270 доларів США.

«Поведінка підсудного завдає удару по суті цифрової довіри та безпеки в сучасній економіці», — заявив суду помічник прокурора США Бредлі Ендікотт. «Компанії покладаються на те, що колишні співробітники будуть діяти етично, навіть після розлучення, і поважати корпоративні системи та дані.

«Несанкціонований доступ до корпоративної хмарної інфраструктури не тільки завдає фінансової шкоди, як у цьому випадку, але й наражає чутливі системи на потенційну компрометацію та відкриває двері для більш серйозних кіберзагроз».

Армбраст жив в Оррі, коли в листопаді минулого року федеральне велике журі висунуло йому звинувачення. Записи свідчать про те, що він переїхав до Сент-Пола і працює в страховій компанії.

Ендікотт сказав, що ця схема виявилася лише тому, що компанія Digital River, яка припинила діяльність у січні, провела внутрішнє розслідування та виявила несанкціоновану діяльність, яка потім була відстежена до IP-адреси Армбруста.

Адвокат захисту Вільям Маузі заявив суду, що Армбруст отримав код для доступу до Amazon Web Services, де розміщувалися програми, які Digital River використовувала для майнінгу криптовалюти.

Після звільнення з роботи відповідач використовував той самий код, щоб створити програму для генерації криптовалюти для себе, використовуючи послуги з 6 вечора до 7 ранку щодня, а потім переказуючи Ethereum у цифровий гаманець, який він контролював.

Ендікотт сказав, що це «не миттєва помилка в судженні», а «розраховане та приховане зловживання обчислювальними ресурсами корпоративного рівня для приватного збагачення». Це «призвело до реальних грошових втрат, витрат на розслідування та збою в роботі приватної компанії».

«Підсудний явно дієздатна та технічно обізнана особа», – сказав прокурор. “Але замість того, щоб використовувати ці таланти в конструктивних і законних цілях, він вирішив використати свого колишнього роботодавця для особистої вигоди. Це розчарування, що хтось із цією здатністю використовував його навички для крадіжки”.

Маузі, однак, зазначив, що схема сталася «під час надзвичайної фінансової потреби та значного емоційного стресу», коли Армбруст доглядав за своєю матір’ю, стан здоров’я якої погіршувався і з тих пір померла.

Адвокат сказав, що докази чітко показують, що його клієнт не був «зловмисним хакером», який мав намір вивести з ладу комп’ютерні системи свого колишнього роботодавця. Він не намагався замести слідів і взяв на себе відповідальність за фінансові збитки.

«Поведінка Армбруста, незважаючи на злочинність, була актом відчаю та відчаю, — писав Маузі, — а не злочином через жадібність».

Випробувальний термін був очікуваним, оскільки обидві сторони спільно рекомендували його за угодою про визнання винуватості. Армбруст раніше не мав кримінального минулого.

Розслідуванням займалося ФБР.

Том Олсен висвітлює злочинність, суди та 8-й виборчий округ для Duluth News Tribune з 2013 року. Він випускник Університету Міннесоти в Дулуті та постійно проживає в місті. Читачі можуть зв’язатися з Олсеном за номером 218-723-5333 або tolsen@duluthnews.com.

Інтелектуальні зв’язані транспортні системи (ICTS) з’явилися як трансформаційний прогрес в інфраструктурі міської мобільності. Шляхом інтеграції технологій Інтернету речей (IoT) із передовими сенсорними пристроями (наприклад, підключеними транспортними засобами, радарами, системами моніторингу на основі візуалізації тощо), ICTS створюють кіберфізичну структуру, здатну здійснювати спостереження за дорожнім рухом із високою роздільною здатністю, забезпечуючи динамічну взаємодію між учасниками дорожнього руху, транспортними засобами та транспортною інфраструктурою.

Однак операційна ефективність ICTS, керованих даними, критично залежить від цілісності даних трафіку, зібраних датчиками. Незважаючи на широке розгортання сенсорних пристроїв у сучасних дорожніх мережах, залишаються постійні проблеми з досягненням повного охоплення просторово-часових даних. На певних ділянках доріг можуть бути обмежені діапазони виявлення або затримка оновлення даних через старіння обладнання або запізніле технічне обслуговування. Збої в роботі пристроїв для передачі даних і непередбачувані порушення навколишнього середовища часто призводять до втрати або пошкодження даних. Така неповнота даних ставить під загрозу надійність оцінки та прогнозування стану трафіку, тим самим перешкоджаючи розробці додатків нижче [9,28]. Таким чином, розробка ефективного методу імпутації даних трафіку залишається актуальною та критичною задачею в останні роки.

Еволюція методологій імпутації відображає постійні зусилля з подолання цих проблем. Звичайні статистичні методи, які в основному оцінюють відсутні значення на основі часових характеристик або історичних закономірностей, не можуть адекватно моделювати складні просторово-часові взаємозалежності, властиві даним трафіку [2,24]. Хоча тензорна декомпозиція може зберегти внутрішні шаблони трафіку за допомогою низьковимірного відображення, її математична жорсткість і обмеження масштабованості перешкоджають практичному розгортанню [1,46]. Навпаки, парадигми глибокого навчання демонструють чудові можливості нелінійного моделювання, а генеративні змагальні мережі (GAN) демонструють особливу перспективу в сценаріях із високим відсотком пропусків завдяки прихованому розподілу навчання. [50]. Одночасно дослідники досліджували стратегії інтеграції даних із багатьох джерел для підвищення точності оцінки стану трафіку [36,43,45]. Взаємодоповнюваність відсутніх даних у різних джерелах є багатообіцяючим шляхом для покращення імпутації. Коли одне джерело даних стикається з просторовими або часовими прогалинами, інші джерела часто забезпечують додаткове покриття. Використовуючи цю взаємодію між джерелами, можна значно підвищити точність імпутації, підвищивши точність і стійкість оцінок стану трафіку, незважаючи на властиву неповноту даних. Тим не менш, залишаються дві основні проблеми, які необхідно вирішити. (i) Експоненційне зростання даних про дорожній рух і широке розгортання гетерогенних сенсорних пристроїв у мережах доріг створюють значні перешкоди для міжсистемної передачі даних та інтерактивної обробки. Більшість існуючих інфраструктур на основі GAN покладаються на централізовані архітектури, які вимагають необмеженого обміну даними з центральними серверами, створюючи значні ризики конфіденційності та зростаючи витрати на передачу/зберігання, оскільки обсяги даних ICTS продовжують різко зростати. (ii) Дані про трафік з багатьох джерел, зібрані різними методологіями, демонструють значні відмінності в просторово-часовій деталізації та просторовому охопленні. Невибіркова інтеграція цих зразків часто призводить до забруднення функцій, що погіршує точність моделі. У той час як різнорідні джерела даних мають спільні базові шаблони трафіку, їхні відмінні характеристики вимагають спеціальної обробки, щоб зменшити плутанину характеристик і забезпечити можливість узагальнення моделі.

Останні досягнення у федеративному навчанні (FL) пропонують багатообіцяючу альтернативу, коли клієнти спільно навчають модель на основі своїх особистих даних і лише обмінюються проміжними параметрами моделі із сервером для агрегації [19,47]. Однак фундаментальна проблема полягає в несумісності між припущеннями традиційного FL і природою неоднорідних даних трафіку. Більшість існуючих реалізацій FL у програмах трафіку переважно використовують горизонтальні об’єднані архітектури, які передбачають уніфіковані структури даних для учасників. На практиці традиційні сенсорні пристрої демонструють притаманну неоднорідність у часовій роздільній здатності, просторовій деталізації та модальності даних. Зокрема, нещодавнє зростання кількості даних підключених транспортних засобів (CV) ще більше посилює цю неоднорідність, оскільки траєкторії CV забезпечують дрібнозернисті мобільні потоки зондування, які суттєво відрізняються від традиційних фіксованих датчиків. Безпосереднє застосування горизонтальної FL до таких даних призводить до двох критичних проблем. По-перше, це призводить до серйозної несумісності простору параметрів. Клієнти з різними вхідними розмірами (наприклад, 5-хвилинні дані детектора циклу проти 1-хвилинних даних траєкторії CV) не можуть усереднювати параметри моделі пошарово, оскільки ця операція є математично невизначеною або семантично безглуздою. По-друге, це змушує наївне злиття різнорідних ознак, створюючи проблему «неузгодженості характеристик». Просте об’єднання функцій з різних джерел (наприклад, об’єм на рівні зв’язку, потік на рівні повороту та дані траєкторії) в єдиний вектор створює простір ознак, що відрізняється від IID і невирівняним. Це призводить до семантичної плутанини, коли модель змушена вчитися на змішаній і несумісній семантиці, що в кінцевому підсумку погіршує її здатність до узагальнення та точність імпутації. Щоб максимізувати переваги цих різнорідних джерел даних, важлива ефективна стратегія інтеграції.

Практики можуть фільтрувати за командою, групою активів або бізнес-підрозділом, щоб зосередитися на тому, що для них найважливіше. Настроювані робочі простори дозволяють командам відстежувати важливі результати та контролювати ризики відповідно до їхніх обов’язків. Завдяки ШІ Charlotte створення інформаційних панелей настільки ж інтуїтивно зрозуміле. Користувачі можуть описати те, що вони хочуть бачити, і відповідний макет і фільтри генеруються автоматично.

Це знімає біль від звітності. Команди можуть створювати вишукані звіти професійного рівня за лічені секунди, використовуючи шаблони, спеціально розроблені для CISO, аудиторів і міжфункціональних керівників. Замість того, щоб зшивати слайди, служби безпеки можуть миттєво перетворити технічну телеметрію на чітку, орієнтовану на бізнес інформацію.

Це не просто економія часу. Йдеться про надання можливості кожній зацікавленій стороні бачити, розуміти ризик і діяти відповідно до нього.

Дивлячись вперед

Загальнодоступний попередній перегляд нашого нового динамічного користувацького досвіду є початком ширшого розгортання. Планується підтримка додаткових модулів і наборів даних платформи Falcon. У міру розвитку досвіду він стане єдиним, уніфікованим досвідом для вивчення даних безпеки та дій із ними на всій платформі Falcon.

На цьому першому етапі з Falcon Cloud Security і Falcon Exposure Management наш новий динамічний інтерфейс користувача вже виконує свою основну обіцянку: замінити фрагментацію на зосередженість і дати кожному користувачеві можливість швидше досліджувати, визначати пріоритети ризиків і надавати інформацію без ручних зусиль.

Ви можете випробувати наш новий динамічний користувацький досвід у загальнодоступній попередній версії, починаючи з сьогоднішнього дня для Falcon Cloud Security і Falcon Exposure Management. Увійдіть у консоль Falcon, щоб випробувати її та побачити, що можливо, коли видимість, штучний інтелект та звітність поєднуються в одному єдиному інтерфейсі.

Додаткові ресурси

1. Ця функція загальнодоступного попереднього перегляду — рання версія, доступна для тестування та відгуків — надається «як є» без будь-яких гарантій, явних або неявних, включаючи, але не обмежуючись гарантіями продуктивності, точності або придатності для певної мети. CrowdStrike відмовляється від усіх гарантій, зобов’язань щодо підтримки та інших зобов’язань щодо цієї функції публічного попереднього перегляду. Використання цієї функції є добровільним, обмежується лише внутрішнім використанням вашими співробітниками та може бути припинено будь-якою стороною в будь-який час без попередження. Користувачі несуть одноосібну відповідальність за надані ними дані, за вміст і використання звітів, які вони створюють, а також за будь-які наслідки їх використання, включаючи зміни, які вплинуть на існуючий інтерфейс користувача та відобразяться в ньому.