Blog

Вашингтон, округ Колумбія -Сьогодні підкомітет з питань сільського господарства з питань товарних ринків, цифрових активів та голови розвитку сільського господарства Дасті Джонсон (Rs.D.) Член Дон Девіс (D-NC) та підкомітет з питань фінансових послуг House з цифрових активів, фінансових технологій та голови штучного інтелекту Брайан Стейл (R-WI) та член рейтингу Річі Торрес (D-NY) представили роздільну здатність будинку, що виражає підтримку технології Blockchain та цифрових активів.

Наступного вступу представники видавали такі заяви:

“В даний час розробники стикаються з невизначеністю через розрив у регуляторній основі товарів та цінних паперів” – сказав Джонсон. «Цифрові активи потребують регуляторної бази, щоб процвітати в Америці. Я з нетерпінням чекаю співпраці з репутацією Стілом, щоб принести ясність у цифрові активи ».

“Цифрові активи мають величезний нереалізований потенціал”, Сказав крутий. “Я радий приєднатися до конгресмена Дасті Джонсон у офіційному визнанні необхідності Конгресу вжити змістовних заходів для створення регуляторного середовища, яке сприяє інноваціям, захищає споживачів від шахрайства та заохочує розвиток технології цифрових активів у Сполучених Штатах”.

“Технологія Blockchain та цифрові активи налаштовані на трансформацію галузей, покращують нашу фінансову систему та забезпечують справедливий доступ до фінансових послуг для всіх”,. сказав Девіс. “Важливо встановити регуляторну базу, яка не тільки сприяє інноваціям, але й забезпечує споживачів та зміцнює повсякденне життя американського народу”.

“Технологія блокчейн та цифрові активи представляють майбутнє інновацій, економічного зростання та фінансового включення”, ” сказав Торрес. «Сполучені Штати повинні призвести до формування регуляторної бази, яка сприяє розвитку технологічного прогресу, захищаючи споживачів та забезпечуючи прозорість. Отримавши це наступне покоління, ми можемо створити більш справедливу фінансову систему, яка приносить користь кожному американському ».

Прочитайте текст резолюції будинку ось.

Брандмауер AWS Network – це керована, державна мережева брандмауер та служба захисту вторгнення, яку ви можете використовувати для реалізації правил брандмауера для тонкого зернистого контролю над вашим мережевим трафіком. За допомогою мережевого брандмауера ви можете фільтрувати трафік на периметрі вашої віртуальної приватної хмари (VPC); У тому числі фільтрування трафіку, що надходить і надходить з Інтернет -шлюзу, Nat Gateway, над VPN або AWS Direct Connect. У цій публікації ми показуємо вам, як мережевий брандмауер AWS використовує реплікацію сеансу, щоб допомогти підтримувати високу доступність для вашого трафіку додатків.

Реплікація стану сеансу брандмауера

Державний двигун, який використовується мережевим брандмауером, застосовує політику безпеки мережі відповідно до визначених клієнтами правилами. Під час перегляду державних потоків мережевий брандмауер підтримує реконструйований стан – в таблиці потоку – для кожного з'єднання. Мережевий брандмауер – це розподілена послуга, розповсюдження трафіку та стан з'єднання над багатьма хостами брандмауера, що використовують кінцеві точки балансира навантаження шлюзу.

Існує декілька оперативних причин, чому хости -бекенди можуть бути введені та поза ним, наприклад, події автоматичного масштабування для коригування для зміни рівнів трафіку або встановлення програмного забезпечення для безпеки та інших оновлень послуг. Під час цих операцій, якщо трафік містить тривалий трафік, мережевий брандмауер дозволяє цим потоком стікати протягом декількох хвилин, перш ніж замінити господарів та переоцінити їх на нові господарі.

Коли існуючий потік перебалансується на новий хост, який не містить стану підключення, з'єднання обробляється відповідно до політики налаштованої політики брандмауера. Мережевий брандмауер або відхилить, або відхилить ці з'єднання, або мережевий брандмауер може бути налаштований на те, щоб продовжувати застосовувати правила політики брандмауера без контексту з попереднього з'єднання. Обидва варіанти мають наслідки: використання drop або reject Дія підтримує безпеку, змушуючи перезавантаження та повторно відзначити з'єднання, але ціною деяких зламаних з'єднань, поки continue Дія вимагає написання правил брандмауера, які можуть приймати з'єднання, порушені серединою.

У грудні 2024 року AWS запровадила можливість мережевого брандмауера для повторити стан сеансу між хостами Backend, зменшуючи кількість випадків, коли політика винятку по потоку повинна застосовуватися до зламаних з'єднань. Тепер більшість цих невдалих потоків переходять до нового господаря, який вже містить правильний стан потоку, дозволяючи цим зв’язкам продовжуватись без переривання. Ця функція автоматично увімкнена за замовчуванням на всі брандмауери, і ви не потрібні. Політика винятку від потоку продовжуватиме застосовуватися в рідкісних випадках, коли стан не може автоматично реплікувати або коли з'єднання порушені з інших причин, таких як зміни маршрутизації в мережі.

Малюнок 1: Потік реплікації стану сеансу

На малюнку 1 показана послідовність подій для підтримки постійного з'єднання під час операцій із заміни хоста брандмауера:

1. Потік мережі надходить до кінцевої точки брандмауера мережі і пересилається на хост брандмауера (хост брандмауера 1) за допомогою балансира навантаження Gateway.
2. Ведучий брандмауера 1 відновлюється з цільової групи балансира навантаження шлюзу, що призводить до того, що балансир навантаження шлюзу припиняє призначати новому потоці хост-хост, але підтримує існуючі.
3. Служба експортує таблицю стану сесії, що залишилася, із хоста брандмауера 1.
4. Служба повторює дані таблиці сеансу для інших хостів здорового бекенда.
5. Операція змивання потоку призводить до того, що балансир навантаження шлюзу перепризначить решту потоків на хост 1 до інших хостів, що працюють на службі, де поточні потоки продовжуватимуть перевірятись державними правилами перевірки, налаштованими на брандмауері.

Деякі з ключових міркувань для власних навантажень:

Висновок

У цій публікації ми окреслили, як брандмауер AWS Network використовує свою здатність повторювати стан з'єднання у декількох хостах брандмауера, щоб підтримувати високу доступність для трафіку програми. Ця функція увімкнена за замовчуванням для існуючих та нових клієнтів, і немає додаткових витрат або змін конфігурації, необхідних для використання цієї функції.

Щоб дізнатися більше про брандмауер AWS Network, див. Сторінку продукту Birewall Network Network та документацію про сервіс. Щоб побачити, в які регіони AWS мережевий брандмауер доступний, див. AWS Services за регіонами.

Якщо у вас є відгуки про цю публікацію, надішліть коментарі в Коментарі Розділ нижче. Якщо у вас є питання щодо цієї публікації, зверніться до підтримки AWS.

Було опубліковано багато статей, які підтримують перспективу кращого догляду за пацієнтами та балансу робочого життя з AI за кермом нового світу. AI використовує силу комп'ютерних систем для імітації процесів інтелекту людини.^1,2

Важливо зрозуміти нюанси та ключові відмінності щодо термінології, пов'язаної з цією технологією. Наприклад, “великі дані” – це термін, що використовується, коли набір даних досяг розміру, який вимагає розширених інструментів для його управління, включаючи придбання та аналіз даних.³

Розглядаючи всі дані, отримані та зібрані заявниками резиденції та стипендії, директорами програм та сторонніми організаціями, такими як Національна програма відповідності резидентів (NRMP) та Служба додатків електронної резиденції, серед інших, можна лише уявити значну кількість Точки даних, отримані протягом більш ніж 70 років з моменту існування системи матчу.⁴

Хоча процеси продовжують розвиватися щодо електронних систем додатків, зміни, що відбулися, зокрема протягом останніх кількох років, були трансформаційними, включаючи американський медичний огляд, що перетворюється на систему пропуску/відмови, а не пронумеровану оцінку (крок 1) , і підйом чатгпта, який є генеративним чатом AI, який може генерувати розмовні відповіді, подібні до людини.

Як заявники, директори програми та професія стратегічно та успішно використовувати ці інструменти для створення кращого майбутнього для хірургічної допомоги?

Переваги для програм

Організаційний процес, необхідний щороку для процесу матчу, не є незначним. Значна кількість часу витрачається директорами програми та координаторами програм, що надсилають електронні листи запрошення та нагадування про терміни та планують інтерв'ю.⁵ Інструменти AI можуть допомогти створити та надсилати ці повідомлення, тим самим зменшуючи лідерство програм та адміністративні навантаження.

Інструменти AI також можуть допомогти зібрати та узагальнити інформацію про програми проживання (тобто, статистика відповідності, інтереси викладачів, досвід резидентів, можливості досліджень, статистика американської ради хірургії підготовки), яка може бути представлена ​​заявникам протягом дня їх співбесіди.

AI здатний аналізувати великі обсяги даних та пакетів додатків, тому одне з великих обіцянок того, як ця технологія може революціонізувати процес відповідності в скринінгу та рейтингу заявників більш ефективно.⁶ За даними NRMP, понад 50 000 претендентів, зареєстрованих у головному матчі резиденції 2024 року, за весь час високим та на 4,7% вище, ніж у 2023 році.

Оскільки кількість програм проживання продовжує зростати,^7,8 Лідерству програми стає все більш складним для перегляду всіх заявок та пошуку людей, які найкраще підходять до своєї програми. Наприклад, програма резиденції внутрішньої медицини в Меморіальній лікарні з питань охорони здоров'я в університеті Індіани в Мансі отримує приблизно 2000 заявок на рік на 10 посад. Лідери програми можуть особисто взяти інтерв'ю лише 4% заявників. Університет Джона Хопкінса в Балтіморі, штат Меріленд, щороку отримує сотні заявок на свої висококонкурентні програми хірургічного проживання, а програма проживання ортопедичної хірургії отримала понад 730 заявок в останні роки.

Технологія AI може проаналізувати величезну кількість даних заявників, таких як оцінки, тестові бали, рекомендаційні листи, особисті заяви та клінічний досвід для виявлення закономірностей, які можуть бути не очевидними для людських рецензентів, і AI може завершити цей процес набагато швидше, ніж керівництво програми .

Згідно з Chatgpt, детальна оцінка програми – з ретельним аналізом, який включає “розбір неструктурованих даних” (наприклад, особисті твердження), займе 1–2 хвилини, тоді як, як очікується Застосування.

Крім того, використання AI для перегляду заявок може допомогти визначити сильних кандидатів, яких інакше можна не помітити. Насправді, аналізуючи дані заявників проти конкретних критеріїв програми, AI може створити рейтинговий перелік заявників на основі їх потенційних відповідності потреб та цілей програми.

AI також може відігравати важливу роль у зменшенні несвідомого упередженості рецензентів додатків, зосереджуючись на об'єктивних критеріях, зменшуючи вплив особистих упереджень, що зберігаються людськими рецензентами, і призводить до більш справедливого процесу відповідності.^9-11 Алгоритми AI можуть проаналізувати великі обсяги даних заявників, таких як навчальні показники, стандартизовані показники тестів, оцінка клінічних ротацій та досвід досліджень, зосереджуючись виключно на відповідних показниках, а не на суб'єктивні інтерпретації, на які впливають такі фактори, як гендер, етнічна приналежність або альма -матер. Системи AI також можуть анонімізувати програми, видаливши ідентифіковану інформацію, як імена та демографічні показники; Це допомагає гарантувати, що рецензенти оцінюють кваліфікацію, не впливаючи на особисті характеристики.

Переваги для заявників

З точки зору заявника, AI може бути неоціненним ресурсом для визначення ідеальних програм та оптимізації програми кандидата. Інструменти AI можуть допомогти проаналізувати відповідну програму заявника, порівнюючи кваліфікацію та уподобання заявників із програмними вимогами та культурою.

AI може надати персоналізовані рекомендації як заявникам, так і програмам щодо ймовірності хорошої відповідності, використовуючи історичні дані про поточних та попередніх мешканців певної програми проживання.¹¹ Окрім редагування особистих тверджень та пропонування переконливих “хобі”, AI може посилити програми резиденції змістовно. Рекомендаційні листи відіграють значну роль у відборі резидентів, але можуть бути придушені неявними ухилами директора програми, зокрема для жінок та недостатньо представлених груп.^12,13 Моделі AI можуть бути використані для виявлення випадків неявного зміщення мовою^10,14,15 та створити більш стандартизовані гендерно нейтральні описи кандидатів.^16,17

Переваги для хірургічної професії

AI допомагає синтезувати велику кількість даних як для окремого заявника, так і для програми. Як можна зробити цю технологію на крок далі, щоб допомогти хірургічній професії в цілому? Що робити, якщо тенденції щодо хірургічних спеціальностей були встановлені з вже наявних даних, а AI використовували прогнозні моделі, щоб зрозуміти конкретний дефіцит робочої сили -хірурга через десять років?

Ця інформація також може бути використана заявниками, щоб визначити, чи можна знайти роботу в межах обраної спеціальності та бажаного географічного розташування. Директори програми також можуть використовувати AI, щоб допомогти вибрати заявників із інтересами, які відповідають їх географічному розташуванню. Ці можливості можуть призвести до того, що хірурги, які задовольняються своєю спеціальністю на вибір, і задовольнили, що ринок праці узгоджується з цими інтересами у їхньому бажаному регіоні.

Інструменти підтримки рішень на основі AI, такі як Career Insights, можуть допомогти заявникам приймати обґрунтовані рішення, інтегруючи всі відповідні дані, включаючи спеціальність та місцезнаходження. Ці програмні системи використовують алгоритми AI для аналізу великої кількості даних, визначення моделей, надання розуміння для надання допомоги людям у прийнятті рішень у різних галузях, таких як охорона здоров'я та пропонують рекомендації та прогнози на основі аналізованих даних. Інструменти включають аналіз SWOT, матриці рішення, оцінки розвитку кар’єри, аналіз розриву в навичках, звіти про тенденції ринку праці, запаси інтересів, оцінки особистості, дерева рішень та різні платформи планування кар'єри в Інтернеті, які надають дані, орієнтовані на дані, щоб допомогти людям зробити обгрунтований вибір кар'єри Виходячи з їх сильних, уподобань та вимог на ринку.

Сінгапур-будьте обережні, якщо ви стикаєтесь з інтернет-рекламою щодо проблем, пов'язаних з криптовалютою,-включаючи інвестиційні можливості-та пов’язані з блокчейнами.

Вони можуть бути шахраями, які хочуть проникнути у ваш цифровий гаманець та сифонні кошти від них. Нещодавно люди втрачають гроші від таких русів, повідомили 5 лютого Агентство поліції та кібербезпеки Сінгапуру (CSA).

The Straits Times зв’язався з поліцією, щоб отримати додаткову інформацію про суми, втрачені потерпілими.

У першому варіанті афери жертви стикаються з інвестиційними можливостями криптовалют на платформах соціальних медіа, або в рекламі, розміщеній, опубліковані аферистами, що представляють себе впливовими криптовалютами, – заявила влада.

Жертви спрямовані на канал телеграми, який містить Останні новини про криптовалюту за посиланням.

Їх змушують вірити, що їм потрібно пройти a Повністю автоматизований тест громадського тюрінгу (Captcha) Перевірка для приєднання до каналу.

Кефхани використовуються в Інтернеті для розмежування людських користувачів та автоматизованих, таких як боти.

Коли жертви намагаються завершити Captcha, з'являється поле повідомлення з інструкціями ввести команду для обходу перевірки.

Однак команда – це насправді шкідливий код для компрометації гаманця криптовалюти жертви.

В іншому варіанті жертви або реагують на підроблену рекламу, або натискають на посилання, пов'язані з децентралізованими платформами фінансів (Defi) на основі пошуку в Інтернеті.

Defi – це форма фінансів, яка існує на блокчах, які є цифровими книгами транзакцій, що підтримуються глобальною мережею окремих комп'ютерів.

Ці посилання включають платну рекламу, які перенаправляли користувачів на фішинг -сайти, де вони обманюються до підключення до гаманця криптовалют.

Потім сайт виконує прихований розумний контракт, який Передача коштів жертв з гаманця.

Інший тип розпуску передбачає, що жертви заманюють шахраями за допомогою пропозицій роботи на повідомленнях LinkedIn або електронних листів про можливості роботи, пов'язані з блокчейном.

У деяких випадках їх просять завантажити файли під приводом тестування своїх навичок або через підроблені посилання на зустрічі з інтерв'ю.

Файли містять шкідливий код, який орієнтується на дані про розширення браузера та деталі гаманця.

Це призводить до грошових втрат від гаманців криптовалют жертв.

Поліція та CSA радять людям зберігати свої криптовалюти в автономному режимі, наприклад, через апаратні гаманці, оскільки вони менш вразливі до атак в Інтернеті.

Вони також повинні використовувати сильний пароль, включати двофакторну автентифікацію та регулярно контролювати та переглядати свої облікові записи.

Якщо ви або підозрюєте, що ви є жертвою злочинності, пов’язаної з криптовалютою, вам слід звернутися до обміну криптовалютами, щоб зупинити подальші операції або заморозити свій рахунок.

Якщо насіннєва фраза гаманця порушена, перенесіть усі криптовалюти, що залишилися, негайно в компромісному гаманці до іншого гаманця.

Насіння фраза – це послідовність від 12 до 24 випадкових слів, які зберігають дані, необхідні для доступу або відновлення криптовалюти.

Вони також можуть повідомити про інцидент поліції та повідомити про будь -які шахрайські веб -сайти з фішинг -криптовалют у Singcert CSA за адресою singcert@csa.gov.sg.

• Шерлін Сім – журналіст The Straits Times, який висвітлює новини та поточні події.

З'єднувати Канал WhatsApp і отримайте останні новини та обов'язкові читання.

Мета, за словами Крамера, – «зменшити ризики, вразливості безпеки та проблеми з дотриманням, пов'язані з застарілими системами. Це не просто технічна зміна; Це сприяє бізнесу, який дозволяє підприємствам модернізувати темпами, який є керованим. Успіх також повернеться до того, що клієнт приймає ефективні зміни та управління даними, вимагаючи від них повну відповідальність. Для клієнтів SAP ключове питання полягає не в тому, якщо, а як – і як швидко – вони можуть перейти ».

Джеремі Робертс, старший директор з питань досліджень та контенту в дослідницькій групі Info-Tech, сказав: “Існує ретельне співвідношення між модернізацією та хмарою. Ми давно знаємо, що це напрямок, в якому йдуть основні постачальники програмного забезпечення, але вони бачать хмару як місце призначення, де їх хочуть бути. Це майбутнє SAP. Однак не всі клієнти, як гунг, про перехід ».

Ця пропозиція, за його словами, “відчуває відповідь на нерішучість основних хмарних клієнтів, щоб швидко та значно змінити свою діяльність. Реальність полягає в тому, що, коли ви лінійно зростаєте, складність вашої організації може зростати експоненціально. Ця складність втілена у вашому ERP ».

У міру того, як моделювання на основі AI набирає обертів, використання моделей зменшеного порядку (РОМ), іноді їх називають сурогатними моделями, привертає набагато більше уваги. У інженерних робочих процесах їх потенціал до скорочення часу моделювання є прискіпливим фактором.

У найширшому розумінні цього слова будь -яка спрощена модель імітаційна модель – це РОМ або сурогат. Термін часто використовується для опису спрощення від машинного навчання та навчання штучного інтелекту, безумовно, підпадає під цю парасольку, але вони також охоплюють інші методи, такі як зменшення кількості сітки (перетворення моделі високої роздільної здатності в низьку роздільну здатність для збереження обчислень Час), зменшення 3D-задачі в 2D (зосереджуючись на поперечному перерізі моделі замість повної моделі) і навіть наближенням на задній конверт.

Гевін Джонс, головний інженер додатків, Smartuq, вказує: “Наприклад, спрощення фізики в дуже складній моделі обчислювальної динаміки рідини (CFD) дає вам ПЗУ. Метод, керований даними, також дає РОМ. Коли застосовується метод, керований даними, ПЗУ, як правило, називають сурогатною моделлю. Отже, всі сурогатні моделі – це ПЗУ, але всі ПЗУ не є сурогатними моделями ».

Розробка даних, керованих даними або сурогатні моделі, є спеціальністю SmartUQ. «Моделювання може включати необхідність вирішення великих систем диференціальних рівнянь, що займає багато обчислювального часу. Після того, як сурогатна модель проводиться, однак, прогнози зроблені швидко без необхідності вирішення таких систем рівнянь », – роз'яснює Джонс.

“[ROM building tools] Зараз вбудовані, тому це, безумовно, полегшує », – каже Меттью Хенкок, директор з інженерної консалтингової фірми« Дуже інженерія ». «Це частина програмного забезпечення, як Comsol Multiphysics та інші пакети моделювання. Більшість або всі великі програмні компанії намагаються це (Comsol, Ansys, Siemens, Cadence тощо), оскільки всі просять про це ».

Його колега Шон Теллер, директор з дуже інженерії, зазначає: «Бібліотеки нейронних мереж, які вам потрібні для розвитку ПЗУ, зараз доступніші. Люди, безумовно, говорять набагато більше про сурогатні моделі. Вони є частиною нашого власного сагайдування інструментів, якими ми використовуємо, але наше власне використання суттєво не збільшилося ».

Як ROMS прискорює моделювання?

Припустимо, у вас є серія архівних імітаційних пробіжок, які розкривають, як однакова конструкція клапана з різними кутами вигину створює різні тиски води. Підхід, орієнтований на дані, дозволяє визначити кореляцію між кутами вигину та вихідним тиском, що дозволяє обійти повну моделювання запуску для наступних конструкцій.

«Дані засновані на фізиці. Тож для початку вам потрібна низка фізичних симуляцій для тренувань,-каже Янн Равель, старший інженер CFD, ANSYS.

У січні 2024 року ANSYS запустив ANSYS SIMAI, генеративну платформу штучного інтелекту з підтримкою хмари. ANSYS писав: “Ansys Simai використовує форму самої конструкції як вхід, полегшуючи більш широке розвідку дизайну, навіть якщо структура форми не відповідає в навчальних даних. Додаток може підвищити прогнозування продуктивності моделі на всіх етапах проектування на 10 до 100 разів для важких обчислень ».

SIMAI прискорюється GPU. Щоб розробити ПЗУ в Simai, вас попросять завантажити граничні умови симуляційного запуску, а також поверхню (з фізичними полями) або обсягом (з фізичними полями). Прикордонні умови не є обов'язковими, уточнює Равеля. Він використовує формат Open-Source VisionTools Pro для введення.

Лікування фізики як чорношкірих

Більшість програм моделювання спеціалізуються на конкретних типах фізики: структурна механіка, електромагнітна, динаміка рідини тощо. Під час запуску моделювання програмне забезпечення використовує відомі принципи цієї фізики для обчислення переміщення, деформації, накопичення тиску, потоку повітря та інших результатів. Але підхід, керований даними, зовсім інший.

“[The AI] не намагається зрозуміти залучену фізику », – каже Джонс. “Це просто намагається подивитися на кореляції між входами та виходами”. Відповідальність покладається на користувача – експерт з домену людини – визнати межі набору даних про навчання та аномалії в прогнозах ПЗУ. Наприклад, бачити негативні значення, де негативні значення в реальності неможливі, або визнаючи, що новий виробничий матеріал, що використовується в конструкції, не є частиною набору даних про навчання. Такі знаки вказують на необхідність переоцінки надійності ПЗУ.

“Окрім інструментів для розробки сурогатних моделей, Smartuq має інструменти, які дозволяють кількісно оцінити невизначеність моделей”, – зазначає Джонс. SmartUQ працює на Windows та Linux, а в новому випуску, запланованому на грудень, компанія планує додати прискорення GPU, повідомляє Джонс.

“Перевага AI полягає в тому, що він може обробляти кілька параметрів”, – каже Равель. “Інженери людини повинні змінювати один параметр одночасно, щоб з'ясувати вплив цієї зміни, але ви можете кинути багато входів на ШІ, і це може з'ясувати кореляції”.

Немає магічного числа

Починаючи з користувачів моделювання на основі AI, часто стикаються з обсягом даних: Скільки моделювання достатньо для розробки надійного ПЗУ? Експерти, як правило, утримуються від уточнення числа, оскільки є занадто багато змінних, які слід враховувати.

Одне питання – це вартість симуляції сама. Наприклад, для налаштування та моделювання автомобільної катастрофи потрібно набагато більше часу та зусиль, ніж для імітації краплі мобільного телефону. Тому кількість симуляцій, виконаних для навчання AI, буде змінюватися від користувача до користувача, виходячи з цільової програми.

“Скільки часу знадобиться моделювання, щоб хтось налаштував або скільки часу потребує моделювання, впливає на те, скільки даних про навчання людина готова зібрати”, – пояснює Джонс. “Якщо хтось збирає менше даних просто тому, що збирання даних занадто забирає багато часу, компроміс буде сурогатною моделлю нижчої точності”.

Теллер зазначає, що для одночасно виконання декількох моделювання для збору даних на додаток до обладнання вам потрібні ліцензії на програмне забезпечення, і це може додати значні витрати для одночасних моделювання. “

Хенкок додає: “Вам потрібно думати поза коробкою – поза межами поточного набору даних. Якщо ви збираєтеся використовувати 10 000 моделювання, використовуйте ті, які не схожі на один одного, тих, хто не має подібних граничних умов, для розширення простору дизайну ».

Для Ravel невеликий обсяг даних не обов'язково є проблемою; Що важливіше – це послідовність даних. “Якщо у вас є лише 20 імітаційних пробіжок, то почніть тренування з цим. Ви знаєте, що це не буде найкращим, але це процес навчання. Ви також можете використовувати модель AI, щоб побачити, чи потрібно більше конкретного типу даних, щоб зробити їх більш точним ». Однак, якщо обмежений обсяг даних викликає вашу турботу, Равель каже, що “Simai має інструменти, які можуть допомогти вам автоматично насеити поля даних”.

Лінійний або нелінійний

Для когось, хто починає з нуля, є щось інше, що слід врахувати. “Оскільки ви змінюєте входи, якщо ви бачите, що виходи також змінюються лінійно, то для вивчення кореляцій потрібно набагато менше моделювання. Тож вам не потрібно багато моделювання для підготовки ШІ. З іншого боку, якщо відносини не лінійні, вам знадобиться набагато більше моделювання. Але ви цього не будете знати, поки не почнете запускати симуляції », – каже Джонс.

Якщо натиснути, Джонс каже, що запропонував би прості керівництво. «Ми говоримо, що розумна вихідна точка – 10 зразків на вхідний розмір. Тож якщо у вас є шість змінних, то я б сказав, почніть з 60 імітаційних пробіжок. Але перед тим, як зробити цю рекомендацію, мені потрібно буде краще зрозуміти вашу проблему моделювання, і наскільки важко чи легко для збору даних ».

“Ваші джерело моделювання може мати температуру, швидкість, тиск тощо, але ви не хочете перевантажувати навчальну модель з усіма даними, якщо вам цього не потрібно”, – говорить Равель. “Якщо вас цікавить лише сили, які створюють тиск, то націліться на них. Ви можете розробити один ПЗУ для прогнозування швидкості, один для тиску, але вам не потрібно мати той, який все прогнозує ».

Насправді, для багатьох простих лінійних проблем, можливо, вам не потрібно буде турбуватися з навчанням та розробкою сурогатної моделі. Ветеран галузі або експерт з домену, можливо, зможуть дати вам формулу, яка спрацьовує спинку, яка працює так само добре.

“Якщо ви не отримуєте достатнього потоку в трубі, подвоїте внутрішній діаметр”, – говорить Хенкок. «Це зменшить опір потоку шістнадцять разів. Якщо у вас є широкий канал, подвоєння висоти каналу зменшує восьмикратний опір потоку. Ми експерти з тематики; Це знання домену з хлібом і маслом про механіку рідини, тому ми знаємо ці речі. Люди, які мають досвід у різних сферах, можуть цього не знати. Але я думаю, що разом краще. Поєднання добре розвиненого інструменту моделювання сурогатного моделювання з досвідом домену отримує вас набагато далі ».

ПЗУ повинні постійно розвиватися, включати нові відкриття та не відставати від аналізу кінцевих елементів та фізики CFD, на якій вони навчаються. «Час від часу програмне забезпечення FEA або CFD може покращитися, оскільки фізика стає кращою. Тоді ви, можливо, захочете перекваліфікувати свою модель AI », – зазначає Джонс.

Подвійна перевірка ПЗУ

Ravel має 16 років досвіду CFD у F1 Motorsport, працюючи з такими брендами, як Ferrari та Renault. У рамках команди з досконалості клієнтів ANSYS Ravel також використовує SIMAI для розробки доказів концепцій для обміну з клієнтами.

“Якщо у вашій базі даних у вас є 30 пробіжок моделювання, Simai виділив би 10% – випадковим чином вибираючи три моделювання – і використовує лише 27 для навчання”, – пояснює Равель. “Пізніше він би використовував тих трьох, які знаходяться поза даними про навчання, щоб оскаржити або перевірити точність ШІ”.

Оскільки три моделювання не були частиною навчання, вони не могли вплинути на поведінку прогнозів РОМ. Пізніше Ravel використає ПЗУ, щоб побачити, чи може він дати ті самі результати, що спостерігаються в трьох моделюваннях, відкладених раніше. Якщо це так, то є вагомі підстави вважати, що ПЗУ є надійним.

“Моделювання на основі фізики імітує те, що відбувається в реальності”,-говорить Равель. «ПЗУ не може бути точнішим, ніж моделювання на основі фізики, яке ви використовуєте для його навчання. Ми можемо зробити менше фізичного моделювання, якщо у нас є ПЗУ, але це не збирається замінювати моделювання на основі фізики ».

“Будь це сурогатна модель, ПЗУ чи повна модель фізики, всі вони включають набір припущень”, – каже Хенкок. «Отже, в певному сенсі всі моделі неправильні, але деякі дуже корисні. Ви завжди повинні перевірити модель чимось реальним. Переконайтесь, що модель точно прогнозує, що робить продукт ».

Якщо використання ром або сурогатних моделей стає широко поширеним, роль експерта з домену людини стає набагато важливішою, не меншою. “Переконайтеся, що ви розумієте фізику за моделлю”, – каже Хенкок.

Дональд Трамп повернувся до Білого дому з деякими великими обіцянками переробити глобальний пейзаж криптовалют.

Після років регуляторної невизначеності як за демократичними, так і в республіканських адміністраціях, Трамп пообіцяв захистити власність біткойна та заохочувати інновації блокчейн.

Якщо ці обіцянки реалізуються в відчутній політиці, США можуть стати глобальним центром цифрових активів.

ОАЕ, Саудівська Аравія та Бахрейн були на передньому плані криптовалют, створюючи регуляторні пісочниці, які залучили міжнародних гравців. Управління з регулювання віртуальних активів Дубай позиціонував себе як світового лідера, врівноважуючи інновації із захистом інвесторів.

Ці зусилля допомогли зростанню криптовалют регіону. Регіон MENA отримав 339 мільярдів доларів криптовалютних активів у період з липня 2023 по червень 2024 року, згідно з повідомленням Chainalysis.

Незважаючи на те, що США вже давно є домінуючим гравцем у фінансових послугах, він застосував непослідовний підхід до криптовалютного регулювання.

Згідно з Гері Генслером, Американська комісія з цінних паперів та бірж агресивно здійснювала дії з правозастосування проти обмінів та емітентів токенів, сприяючи невизначеності, яка керувала деякими криптовалютами в офшорних компаній.

Якщо Трамп слідкує за дерегуляцією, США можуть стати серйозним конкурентом затоки, забезпечуючи юридичну визначеність та інституційну підтримку, яку прагнуть багато компаній з цифрових активів.

На відміну від минулих республіканських лідерів, які значною мірою були байдужими до криптовалют, Трамп активно захопив цю галузь. Під час своєї кампанії 2024 року він подав прямі заклики до криптовалютних інвесторів, прийнявши пожертви біткойна та пообіцявши припинити те, що він назвав “війною на криптовалюті” адміністрації Байдена.

Його тісні стосунки з технологічними магнатами, включаючи Елон Маск, підприємства яких мають значні криптовалюти, також вказують на те, що адміністрація Трампа, ймовірно, прийме більш сприятливу регуляторну позицію.

Американські законодавці обох основних партій вже ввели законодавство, спрямоване на полегшення криптовалют, а Трамп люблять дерегуляцію, робить правдоподібним, що він буде підштовхнути політику вперед до легітимізації цифрових активів як основного фінансового інструменту.

US-GULF суперництво чи співпраця?

Основним питанням для криптовалютних лідерів затоки є те, чи може криптовалютно ми оскаржити їхні поточні переваги. Хоча ОАЕ та Саудівська Аравія вирощували регуляторну визначеність, США мають ринки капіталу, фінансові установи та технологічна інфраструктура, щоб швидко стати домінуючим гравцем.

Більш дозвільне регуляторне середовище США може залучити капітал та талант від Близького Сходу, особливо якщо основні фінансові установи в Нью -Йорку та Силіконовій долині здобуть більшу свободу участі на криптовалютних ринках.

Однак регуляторна достовірність потребує часу для побудови. ОАЕ та Саудівська Аравія витрачали роки на вирощування стосунків з глобальними фінансовими гравцями, забезпечуючи дотримання міжнародних проти відмивання грошей та стандартів боротьби з терористичним тероризмом.

ОАЕ вже зарекомендувала себе як юрисдикція вибору для криптовалютної банківської справи, з зростаючою екосистемою обмінів, інституційними інвестиційними фірмами та інфраструктурними проектами на основі блокчейн.

Якщо США розпускають правила, регулятори Перської затоки можуть позиціонувати себе як партнери, а не конкуренти, сприяючи транскордонному співпраці з рамок дотримання та інституційного прийняття.

Одним із можливих сценаріїв є розвиток регіональних спеціалізацій: США можуть стати основним торговим та інвестиційним центром криптовалют, тоді як Держави Перської затоки зберігають свою роль у регуляторних інноваціях, токенізацію активів у реальному світі та інтеграцію блокчейна в традиційні фінанси.

Фінансові зони Дубая та глобальний ринок Абу -Дабі вже сприяли інституційному прийняттю криптовалют таким чином, щоб регулятори США намагалися відповідати.

Тим часом, державна інвестиційна фонд Саудівської Аравії виявив інтерес до інвестицій Web3, що свідчить про те, що королівство може зосередитись на додатках Blockchain поза фінансовими ринками.

Обійми криптовалют Трампа могли бути керовані стільки ж політичною доцільністю, скільки справжньою вірою в технологію. Незважаючи на те, що він зараз займає про-крипто-позицію, будь-який основний поштовх з дерегуляцією в США може бути піддається різким розворотом, якщо політичні вітри зміниться.

Хоча нас під керівництвом Трампа може спробувати позиціонувати себе як новий будинок для криптовалют, залишається зрозуміти, чи прийматимуть американські регулятори цілісні та стабільні рамки. Непередбачуваність Трампа та ймовірність політичної опозиції з боку Конгресу також можуть затримати або ускладнити регуляторні зміни.

Замість того, щоб розглядати потенційну політику Трампа як загрозу, держави Перської затоки можуть використати свій існуючий регуляторний головний початок виконувати додаткову роль.

Carla якийсь Агбі редактор технологій

Навчальна установка та дизайн

Поперечне дослідження було проведено з жовтня по листопад 2023 р ємність навчання 60–70 жителів ECCM. Спеціалізована лікарня Tikur Anbesa – це найбільша лікарня в Ефіопії з понад 700 ліжками та 24 ліжками в галузі диспансерів у різних спеціалізованих одиницях, таких як медична диспансерка, хірургічна інтенсивна терапія, відділення серцевої допомоги та педіатрія. Відповідно до звіту про клінічний аудит відділення невідкладної допомоги [14].

Медичний коледж Св. Павла тисячоліття (SPHMMC) регулюється Радою в рамках Федерального міністерства охорони здоров'я та має понад 2800 клінічних, академічних та допоміжних персоналу, що має середню стаціонарну здатність 700 ліжок. В середньому 1200 пацієнтів, які щодня спостерігаються в лікарні як у відділенні невідкладної допомоги, так і амбулаторного. У лікарні є 13 ліжок, присвячених інтенсивної терапії, і швидка допомога обробляє в середньому 800–1000 пацієнтів щомісяця [15].

Розмір населення та вибірки

Усі 91 старший мешканці, всі жителі третього року та 2 -го року, які закінчили перші шість місяців навчання та відвідували навчання з жовтня по листопад 2023 року, отримали право та зараховані до дослідження.

Змінні дослідження

Залежний Змінні:

• Компетентність ідентифікації ≥ 4 ПВА.

• Кількість ідентифікованих PVA.

• Ідентифікація типів PVA.

Незалежний Змінні:

• Вік, стать, рік досвіду, рік резиденцій, участь у семінарах з МВ, тренування з МВ, проведення лекцій з механічних вентиляторів, кількості та типу інтенсивної терапії з більшістю ротацій.

Оперативні визначення

Аналіз форми хвиль: візуальний огляд графічного опису подачі вдихів механічному вентилятору.

Асинхронія пацієнта-вентилятора

невідповідність між дихальними зусиллями пацієнта та підтримкою механічного вентилятора.

Компетентність

Визначте> 70% або ≥ 4 ​​з 6 ПВА, правильно, як у медичних працівників адвокатів Південної Африки, що продовжує професійний розвиток (PASS MARK) [16].

Старші мешканці

є тими, хто на третьому курсі та 2 -му курсі мешканців, які закінчили першу половину другого курсу.

Тренінг МВ

Онлайн або особисті курси МВ від визнаних установ за> 100 год.

Процедури збору даних та забезпечення якості

Дані збирали за допомогою заздалегідь перевіреного, структурованого та самопровідного анкети, підготовленого шляхом перегляду пов’язаної літератури у світлі цілей. Розробка предметів анкети була здійснена шляхом адаптації огляду літератури [10, 11, 12, 17, 18, 19]а адаптований інструмент дослідження зазнав необхідних переглядів на основі рекомендацій чотирьох експертів у області критичної допомоги. Анкета містить питання закритого типу та відкритого типу, включаючи соціодемографічні характеристики, основну інформацію про мешканців та механічні форми хвиль вентилятора ПВА. Анкета написана англійською мовою. Інформована згода була отримана від учасників у письмовій формі перед збором даних. Анкету підготували програмне забезпечення Kobotoolbox. org та поділяються за допомогою онлайн -посилання, наданого Kobotoolbox. Орг на їх електронну пошту або телеграму для кожного мешканця. Дані були зібрані від мешканців, які співпрацювали з надання згоди.

Форми хвиль складалися з шести різних поширених зображень хвиль скаларії часу тиску та потоку, які є поширеними і, як відомо, мають несприятливі клінічні результати, якщо не виправляються в літературі, наприклад неефективне спрацьовування, Передчасне їзда на велосипеді, Автоматичне спрацьовування, голодування, Затримка їзди на велосипеді та автоматичне. Форми хвиль були прийняті з попереднього дослідження та витягнуті з веб -блогів [12, 17]. Зображення форми хвиль були показані чотирма різними консультантами: пульмонологів, серцевого анестезіолога та інтенсивістських, консультант з питань надзвичайних ситуацій та критичної допомоги, дорослий та педіатричний пульмонолог та співробітник критичної допомоги. Усі відповідають за відповідні лікарні в галузі критичної допомоги. Ці фахівці домовилися про тип асинхронії до 100%. Після того, як кожне зображення було показано, мешканців попросили вибрати тип PVA з 12 можливих варіантів. Збірник даних Tash був головним дослідником, а інший колектор даних надав дані SPHMMC. Перед збором даних повнота дані була перевірена. Претести проводили на 5% учасників. Проведено попередній тест на п'ять учасників, а внутрішня надійність даних була перевірена Альфа Кронбаха. Претест оцінював чіткість та розумність інструменту оцінювання. Поки дані збиралися, регулярний нагляд до збору даних для моніторингу їх дотримання протоколу дослідження, вирішення будь -яких проблем, з якими вони стикалися, та забезпечити загальну якість зібраних даних. Щоб зменшити ефект здогадів, можливий вибір становив 12 для 6 форм хвиль. Більшість даних були зібрані, поки респонденти зібралися в присутності колектора даних. Дані були зібрані за посиланням, наданим Kobotoolbox. Програмне забезпечення та використовували лише один раз на відповідача, щоб захистити того самого користувача від самітування більше одного разу. Перш ніж вводити інформацію в програмному забезпеченні SPSS, відповіді були розглянуті на всебічність даних.

Статистичний аналіз

Повні дані були завантажені з коробки інструментів Kobo в Excel та експортовані до SPSS версії 27 для аналізу. Якісні номінальні змінні представлені за допомогою абсолютних та відносних (%) значень. Для ненормально розподілених безперервних та порядкових даних використовували медіану з міжквартильним діапазоном. Перед застосуванням цих заходів нормальність даних оцінювали за допомогою тесту Шапіро-Вілка. Незалежні змінні Категоричні та первинні змінні результатів були відображені за допомогою таблиць частот та перехресних табіляцій, які потім оцінювали за допомогою точного тесту Фішера або тесту Chi-квадрата. Медіану безперервних даних між двома групами та залежною змінною порівнювали за допомогою непараметричних тестів, таких як тест Манна-Вітні U. Для вивчення зв'язку між усіма незалежними змінними та компетентністю ідентифікації PVA було проведено багатовимірну логістичну регресію. Ідентифікацію ≥ 4 ПВА вважалася залежною змінною після проведення тесту на придатність моделі за допомогою тестів Hosmer та Lemeshow. Фітнес моделі оцінювали за допомогою тесту Пірсона, і ми розглядали с-в.> 0,05, щоб бути значущим. Бінарні залежні категоричні та безперервні змінні аналізували за допомогою багатовимірної бінарної логістичної регресії зі змінними с-значення p-значення

Це дослідження було проведено відповідно до Декларації Гельсінкі. Етичне схвалення було отримано від дослідницького комітету відділення невідкладної допомоги при інституційній комісії з огляду Університету Аддіс -Абеби (Посилання №559/2015).

Етика людини та згода на участь у деклараціях: Інформована згода була отримана від усіх окремих учасників, включених у дослідження через письмові форми до процесу збору даних. Конфіденційність учасників була забезпечена, дозволяючи респондентам заповнити анкету анонімно та опустивши будь -які ідентифікатори учасників. Доступ до зібраних даних був обмежений лише дослідницькою групою.