APPERCASE
vasb@nccrepnfr.eh +7 499 302-34-17

Новости

#качество_данных

Исследователи из Университета Джонса Хопкинса разработали инструмент G-AUDIT для выявления скрытых предвзятостей в медицинских данных, используемых для обучения ИИ. Это поможет сделать модели более надежными и безопасными для клинического применения.
Согласно последним тенденциям, успешное использование искусственного интеллекта (ИИ) в бизнесе зависит не только от технологий, но и от качества данных. Компании должны создать культуру, которая ценит данные как стратегический актив.
AI-агенты в логистике зависят от качества данных, утверждает CEO project44. Он подчеркивает, что контекст является ключевым для эффективной работы AI, а автоматизация процессов может значительно улучшить эффективность цепочки поставок.
В сфере искусственного интеллекта (ИИ) растет интерес к синтетическим данным как к активу при сделках по слиянию и поглощению. Эти данные, созданные ИИ, могут обойти многие юридические риски, но также порождают новые вопросы о праве собственности и качестве.
На конференции TM Forum DTW Ignite в Копенгагене обсуждаются вызовы внедрения автономного ИИ в телекоммуникациях, включая проблемы с качеством данных и техническим долгом, а также инновационные решения, такие как цифровые двойники и супер-приложения.
Готовность данных является основой для внедрения искусственного интеллекта в высшем образовании. Университеты должны сосредоточиться на качестве данных, чтобы избежать автоматизации существующих проблем и обеспечить успех студентов.
В ходе SAP NOW AI Tour India было отмечено, что 67% индийских компаний уже реализуют проекты в области ИИ, однако высокие затраты и проблемы с данными остаются значительными препятствиями.
В условиях стремительного внедрения ИИ многие CIO сталкиваются с новой формой технического долга — долгом ИИ. Это может привести к серьезным проблемам в будущем, если не уделить должное внимание управлению и контролю.
Эра агентной коммерции требует от ритейлеров пересмотра стратегий работы с данными, чтобы оставаться конкурентоспособными в условиях, когда ИИ-агенты принимают решения о покупках от имени потребителей.
Исследование "Alignment Tampering" выявляет проблемы, возникающие при использовании RLHF, и предлагает шесть ключевых решений для минимизации предвзятости в моделях машинного обучения.
Для эффективного применения ИИ в решении реальных проблем необходимо улучшить качество данных, включая очистку государственных наборов и создание новых. Это требует общественного финансирования и сотрудничества с частным сектором.
Cisco использовал искусственный интеллект для написания отчетов о киберинцидентах, получив смешанные результаты. Для достижения качественного вывода требуется множество детализированных запросов, и даже тогда возможны ошибки и опечатки.
Написать нам