Rauchen von Marihuana in Verbindung mit besseren Spermien in überraschender Studie


Männer, die Marihuana rauchen, haben möglicherweise höhere Spermienzahlen als diejenigen, die das Medikament noch nie verwendet haben, deutet eine überraschende neue Studie an.

Die Ergebnisse stimmen mit früheren Forschungsergebnissen nicht überein, was darauf schließen lässt, dass Marihuana die Hodenfunktion von Männern schädlich beeinflusst, so die Forscher.

Die Studie, die in der Ausgabe vom 6. Februar der Zeitschrift Human Reproduction veröffentlicht wurde, bedeutet jedoch nicht, dass Männer anfangen sollten, Pot zu rauchen, um ihre Spermienzahl zu erhöhen.

Die Ergebnisse sind alles andere als schlüssig, und es bedarf weiterer Forschung, um zu verstehen, ob das Rauchen von Marihuana tatsächlich auf bestimmten Ebenen die Spermienproduktion positiv beeinflussen kann.

Die Studie zeigt jedoch, wie wenig Forscher über die Auswirkungen von Marihuana auf die Fortpflanzungsgesundheit wissen, wie der prominente Autor Dr. Jorge Chavarro, Professor für Ernährung und Epidemiologie an der Harvard T.H. Chan School of Public Health in Boston, sagte in einer Erklärung. "Wir wissen viel weniger, als wir zu wissen glauben." [25 Odd Facts About Marijuana]

Frühere Studien hatten gezeigt, dass das Rauchen von Marihuana die Spermienzahl eines Mannes senken kann, insbesondere bei starken Konsumenten. Im Jahr 2015 fanden Forscher aus Dänemark zum Beispiel heraus, dass Männer, die mehr als einmal pro Woche Marihuana geraucht hatten, fast 30 Prozent weniger Samenzellen hatten als diejenigen, die kein Marihuana rauchten, oder diejenigen, die das Medikament seltener konsumierten.

Die Auswirkungen eines gemäßigten Marihuana-Konsums auf die Spermienzahl bei Männern sind jedoch weniger eindeutig.

In der neuen Studie analysierten die Forscher Informationen von 662 Männern, die zusammen mit ihren Partnern von 2000 bis 2017 im Massachusetts General Hospital Fertility Center auf Unfruchtbarkeit untersucht wurden. Die Männer beantworteten die Umfragen, wie oft sie Marihuana geraucht oder andere Drogen konsumiert hatten, und sie lieferten auch Samenzellen und Blutproben.

Insgesamt berichtete etwas mehr als die Hälfte der Männer (55 Prozent), dass sie jemals Marihuana in ihrem Leben geraucht hatten, und 11 Prozent gaben an, Marihuana geraucht zu haben.

Die Forscher fanden heraus, dass Männer, die jemals geraucht hatten, Marihuana geraucht hatten, eine durchschnittliche Spermienkonzentration von 63 Millionen Spermien pro Milliliter Samen hatten, verglichen mit 45 Millionen Spermien pro Milliliter Samen unter denen, die noch nie Marihuana verwendet hatten. Die Ergebnisse wurden auch berücksichtigt, nachdem die Forscher einige Faktoren berücksichtigt hatten, die die Spermienkonzentration beeinflusst haben könnten, wie Alter, Zigarettenrauchen und Alkoholkonsum.

Darüber hinaus hatten nur 5 Prozent der Marihuana-Raucher niedrigere Spermienkonzentrationen als normal, dh weniger als 15 Millionen Spermien pro Milliliter Samen. Bei Männern, die nie Marihuana geraucht hatten, hatten 12 Prozent niedrigere Spermienkonzentrationen als normal.

Unter Männern, die jemals Marihuana geraucht hatten, hatten diejenigen, die es häufiger konsumierten, höhere Testosteronwerte als diejenigen, die es seltener konsumierten.

Interessanterweise war jedes zusätzliche Jahr, das seit der letzten Verwendung eines Marihuana durch einen Mann vergangen war, an eine leichte Erhöhung der Spermienzahl gebunden.

"Unsere Ergebnisse widersprachen dem, was wir zu Beginn der Studie vermuteten", schrieb der Hauptautor der Studie, Feiby Nassan, ein Postdoktorand an der Harvard T.H. Chan School of Public Health, sagte in der Erklärung.

Die Studie kann jedoch auf verschiedene Weise interpretiert werden. Es kann sein, dass niedrige oder mäßige Mengen an Marihuana eine positive Wirkung auf die Spermienproduktion haben, aber eine stärkere Verwendung kehrt diesen Effekt um. Oder es könnte auch sein, dass Männer mit höheren Testosteronwerten häufiger "riskante" Verhaltensweisen wie den Drogenkonsum eingehen; und die Forscher fanden die Verbindung zwischen Marihuana und Spermienzahl "weil Männer mit einem höheren Testosteronspiegel im Normalbereich höhere Spermienzahlen haben und mit höherer Wahrscheinlichkeit Cannabis rauchen", sagte Nassan.

Es ist bekannt, dass mäßiger bis starker Gebrauch von Tabak oder Alkohol mit niedrigeren Spermien verbunden ist, aber ob Marihuana die gleiche Wirkung hat, steht zur Debatte zur Verfügung, sagte Dr. Sarah Vij, eine Urologin der Cleveland Clinic, die nicht an der Studie.

Vij sagte, sie begrüße die Autoren der Studie, weil sie sich diese Frage angesehen habe, da dies ein Thema ist, das mehr Forschung braucht.

Die neue Studie liefert jedoch keine abschließende Antwort. "Insgesamt ist die Jury immer noch nicht darüber informiert, wie sich Marihuana auf das Fruchtbarkeitspotenzial eines Mannes auswirkt", sagte Vij gegenüber Live Science.

Vij wies darauf hin, dass sowohl Marihuana-Anwender als auch Nichtbenutzer in der Studie im Durchschnitt normale Spermienzahlen aufwiesen. Die Studie kann daher keine Schlussfolgerungen darüber ziehen, ob der Gebrauch von Marihuana an eine bessere Fruchtbarkeit gebunden ist.

Darüber hinaus dauert es etwa drei Monate, bis Männer einen vollständigen Zyklus der Spermienproduktion durchlaufen, um reife Spermien herzustellen. Dies bedeutet, dass die Verwendung von Marihuana vor Jahren "wirklich keinen Einfluss auf" haben sollte [a man’s] aktueller Fruchtbarkeitszustand ", sagte Vij.

Dennoch hat die Studie immer noch herausgefunden, dass Männer, die angaben, vor mindestens einem Jahr Marihuana konsumiert zu haben, höhere Spermienzahlen hatten als Männer, die es in letzter Zeit verwendet haben. Vij sagte, sie fragte sich, ob "es etwas gibt, was mit Marihuana-Konsum einhergeht", das mit einer besseren Spermienproduktion zusammenhängt.

Die Forscher stellten außerdem fest, dass ihre Studie an Männern durchgeführt wurde, die eine Fruchtbarkeitsklinik besucht haben, und dass die Ergebnisse daher nicht unbedingt für die allgemeine Bevölkerung gelten. Darüber hinaus berichteten Männer in der Studie selbst über ihren Marihuana-Konsum, und es war möglich, dass einige Teilnehmer ihren Marihuana-Konsum aufgrund der sozialen Stigmatisierung oder des illegalen Status der Droge in Massachusetts zum Zeitpunkt der Datenerhebung nicht aufrichtig beurteilten.

Ursprünglich veröffentlicht am Live-Wissenschaft.

SSD vs. HDD | Digitale Trends


Solid-State-Laufwerke (SSD) und Festplattenlaufwerke (HDD) sind die beiden wichtigsten Speicherlösungen, die den Verbrauchern zur Verfügung stehen. Sie bieten jeweils ihre Vorteile. Jeder von ihnen ist auf verschiedene Aufgaben spezialisiert, aber wenn Sie uns gebeten haben, einen für Ihr Hauptsystem auszuwählen, wäre unsere Empfehlung klar. Der Kampf zwischen SSD und HDD wurde vor langer Zeit gewonnen.

Die besten SSDs sind viel schneller als ihre HDD-Pendants, und obwohl sie bei der Gesamtgröße des Speichers nachlassen, sind ihre Preise heutzutage nicht zu eindeutig, um die Entscheidung für eine Festplatte zu treffen.

Speicherkapazität

Es ist nicht schwer, Festplatten mit mehreren Terabyte Speicherplatz zu finden – und sie werden ständig größer – ohne dass die Kosten für den Verbraucher zu stark steigen. Im Gegensatz dazu sind SSDs tendenziell viel kleiner und werden über 2 TB unerschwinglich teuer.

Wenn es um Speicherplatz geht, haben Festplatten jedoch einen deutlichen Vorteil und werden auf absehbare Zeit voraussichtlich eingesetzt. Wenn Sie etwas langfristig speichern möchten oder große Dateien und Ordner speichern möchten, sind Festplatten die beste Lösung. Dies ist jedoch einer der wenigen Bereiche, in denen Festplatten noch immer die Kontrolle über das Internet haben.

Geschwindigkeit, Formfaktor und Haltbarkeit

Die Geschwindigkeit des Laufwerks konzentriert sich hauptsächlich darauf, wie schnell sie Daten lesen und schreiben können. Bei HDDs bestimmt die Geschwindigkeit, mit der sich die Platten drehen, die Lese- / Schreibzeiten. Beim Zugriff auf eine Datei stellt der „Lese“ -Teil des Lese- / Schreibkopfs fest, wie die magnetischen Abschnitte positioniert werden, wenn sie über die sich drehenden Platten fliegen. Solange die gelesene Datei sequentiell geschrieben wurde, liest die Festplatte sie schnell. Da die Disc jedoch mit Daten überfüllt ist, können Dateien leicht über mehrere Abschnitte geschrieben werden. Dies wird als "Fragmentierung" bezeichnet und führt dazu, dass Dateien länger lesen müssen.

Bei SSDs ist die Fragmentierung kein Problem. Dateien können sporadisch über die Zellen geschrieben werden – und sind eigentlich dafür ausgelegt – mit wenig Einfluss auf die Lese- / Zeitangaben, da auf jede Zelle gleichzeitig zugegriffen wird. Dieser einfache, gleichzeitige Zugriff auf jede Zelle bedeutet, dass Dateien mit unglaublich hoher Geschwindigkeit gelesen werden – weitaus schneller als eine Festplatte, unabhängig von der Fragmentierung. Aus diesem Grund können SSDs dazu führen, dass sich ein System bissig anfühlt. Aufgrund des Zugriffs auf Daten über das gesamte Laufwerk, der als wahlfreier Zugriff bezeichnet wird, ist dies viel schneller.

Diese schnellere Lesegeschwindigkeit ist mit einem Haken verbunden. SSD-Zellen können sich im Laufe der Zeit abnutzen. Sie drücken Elektronen durch ein Gatter, um ihren Zustand festzulegen, der sich auf der Zelle verschlechtert und mit der Zeit die Leistung verringert, bis die SSD abgenutzt ist. Das heißt, die Zeit, die erforderlich ist, damit dies für die meisten Benutzer geschieht, ist ziemlich lang. Ein SSD wird wahrscheinlich aufgrund von Veralterung oder aufgrund des Wunsches nach mehr Speicherplatz aktualisiert, bevor eine normale SSD ausfällt. Es gibt auch Technologien wie TRIM, die dazu beitragen, dass SSDs nicht zu schnell degradieren.

Andererseits sind Festplatten aufgrund der Verwendung mechanischer Teile viel anfälliger für physische Schäden. Wenn ein Laptop mit einer HDD fallen gelassen wird, besteht eine hohe Wahrscheinlichkeit, dass all diese beweglichen Teile kollidieren, was zu potenziellem Datenverlust und sogar zu zerstörerischen physischen Schäden führen kann, die die Festplatte völlig töten könnten. SSDs haben keine beweglichen Teile, sodass sie die Härte der tragbaren Geräte und Laptops besser überstehen können.

Eine andere Sache, die Sie beachten sollten, ist der Formfaktor dieser Geräte. Festplatten sind fast immer eine 3,5-Zoll- oder 2,5-Zoll-Platte, während SSDs sich in verschiedenen Formen und Größen ausbreiten. Am gebräuchlichsten ist immer noch das 2,5-Zoll-Laufwerk, aber auch kleinere SSDs, die auf Formfaktoren wie M.2 und PCIe basieren, werden immer häufiger. Sie sind teurer als ihre SATA III-Pendants, sind jedoch viel kleiner und bieten zunehmend die schnellsten verfügbaren Speichergeschwindigkeiten.

Preisgestaltung

ssd vs hdd samsung 970 evo haftet 2 1500x1001

Obwohl die Preise seit Jahren gefallen sind, sind SSDs pro Gigabyte immer noch teurer als Festplatten. Bei ähnlichen Speicherkapazitäten zahlen Sie für eine SSD möglicherweise fast doppelt so viel wie für eine Festplatte – und bei höheren Kapazitäten sogar noch mehr.

Während Sie mit SSD höhere Preise für weniger Speicherplatz zahlen, investieren Sie insgesamt in einen schnelleren, effizienteren und wesentlich dauerhafteren Datenspeicher. Wenn Sie ein System erstellen, das auf Geschwindigkeit, Strombedarf oder Tragbarkeit ausgerichtet ist, ist eine SSD die bessere Wahl. Auf den meisten Desktops ist das Hinzufügen einer weiteren Festplatte einfach und kostengünstig. Wenn Sie mehr Speicherplatz benötigen, ist dies ein gutes Upgrade. Mit einem separaten Datenlaufwerk können Sie auch Ihr Betriebssystem mit minimalem Aufwand aktualisieren oder neu installieren.

Da die SSD-Preise fallen, finden wir in den meisten Systemen weniger Gründe, um sich für Festplatten zu entscheiden. Für 80 US-Dollar stehen 500-GB-SSDs mit Markennamen zur Verfügung, nur 30 US-Dollar mehr als die durchschnittliche 1-TB-Festplatte. Für 30 US-Dollar werden sogar gelegentliche Benutzer eine drastische Verbesserung in Bezug auf die Boot-Up-Zeit, den Datenzugriff und die allgemeine Systemfreude feststellen. Wir erwarten, dass neue Systeme eine SSD – oder zumindest einen Hybridantrieb – beinhalten.

Hybridantriebe, Externe und das letzte Wort

Hybrid-Laufwerke bieten einen Mittelweg zwischen den Vorteilen von SSDs und HDDs. Sie kombinieren HDD und SSD in einem Gerät. Es gibt ein paar verschiedene Versionen dieser Art von Technologie.

Erstens gibt es SSHDs – oder Solid-State-Hybridantriebe. Bei diesen Laufwerken handelt es sich um Festplatten mit voller Größe (häufig etwa 1 oder 2 Terabyte), die mit einem zusätzlichen Cache an SSD-NAND-Speicher (normalerweise einige GB) ausgestattet sind. SSHDs lernen, welche Dateien am häufigsten verwendet werden, und schreiben sie in den schnell zugänglichen SSD-Speicherbereich. Alle anderen Dateien werden auf der sich drehenden Disc der Festplatte gespeichert. Während eine SSHD nicht die Haltbarkeit und den geringeren Strombedarf einer SSD bietet, sollte sie für bestimmte Prozesse dennoch einen spürbaren Geschwindigkeitszuwachs bieten.

Sie finden SSHDs, die in einen 2,5-Zoll-Steckplatz passen. sowie 3,5-Zoll-Optionen. Zusätzlich zu diesen beiden Hybriden, die sich für Benutzer mit Platz für nur ein Laufwerk eignen, können Sie auch mehrere separate Laufwerke kaufen, je nach Konfiguration und verfügbarem Einbauraum.

Wenn Sie ein AMD Ryzen-System mit einem X399-, B450- oder X499-Motherboard betreiben, können Sie die AMD StoreMI-Technologie nutzen, um zwei beliebige Laufwerke miteinander zu kombinieren. Normalerweise handelt es sich hierbei um eine kleine SSD und eine größere Festplatte, Sie können jedoch jede beliebige Kombination für Ihr eigenes Hybrid-Laufwerk verwenden. Eine weitere Option ist der Optane-Speicher von Intel, der als kleines Zwischenspeicherlaufwerk fungiert.

Es besteht auch die Möglichkeit, ein Laufwerk als externes Speichergerät zu verwenden. Es gibt speziell für diesen Zweck gefertigte Laufwerke – praktisch jedes Laufwerk, das in einen PC eingebaut werden kann, kann in ein externes Gehäusekit eingefügt und über USB mit einem PC verbunden werden. Das Gerät funktioniert normalerweise wie ein Laufwerk, kann jedoch mitgenommen werden, sodass Sie mit jedem PC oder Laptop auf Ihre gespeicherten Dateien zugreifen können.

Mit der schnellen Verschiebung der Speicherlandschaft werden SSDs immer häufiger als HDDs. Es wird nicht empfohlen, ein System zu kaufen, das nur eine Festplatte enthält, da Sie auf eine viel schnappere PC-Nutzung verzichten müssen. Der Preisunterschied lohnt sich, wenn überhaupt einer vorhanden ist, und das Ergebnis ist bei jedem Einschalten spürbar.










Warum sollte die Strafjustiz Algorithmen aufgeben?



Hier ist ein Spiel, bei dem Sie kein eigenes Abenteuer wählen möchten: Sie sind ein US-amerikanischer Richter, dessen Aufgabe es ist, die Entlassung eines schwarzen Mannes, eines erstmaligen Straftäters, zu beschuldigen, der ein gewaltfreies Verbrechen vorgeworfen wird. Ein Algorithmus hat Ihnen gerade gesagt, dass es eine 100-prozentige Chance gibt, dass er erneut verletzt wird. Was machst du ohne weiteren Kontext?

Richter in den USA verwenden Algorithmen, um die Wahrscheinlichkeit vorherzusagen, dass ein Täter weitere Straftaten begehen wird, sein Flugrisiko und eine Handvoll anderer Faktoren. Diese Datenpunkte werden dann verwendet, um Menschen bei der Verurteilung, bei der Kaution oder bei der Frage, ob Bewährung gewährt werden soll, zu leiten. Leider sind die Algorithmen zu 100 Prozent voreingenommen.

Ein Forscherteam um den Postdoktoranden Andrew Selbst, einen Experten für das Rechtssystem und die sozialen Implikationen der Technologie, veröffentlichte kürzlich eine Studie, in der das unvermeidliche Problem der Verzerrung dieser Algorithmen hervorgehoben wurde. Die Forschungsarbeit deutet darauf hin, dass es mehrere große "Bias-Fallen" gibt, die algorithmische Vorhersagesysteme nicht bewältigen können.

Oberflächlich betrachtet scheinen Algorithmen freundlich genug zu sein. Sie helfen uns bei der Entscheidung, was Sie sehen sollen, was zu lesen ist, und einige erleichtern es sogar, parallel zu parken. Aber auch ein angeblich vorurteilsloser Algorithmus kann voreingenommene Daten oder eine inkonsistente Implementierung nicht überwinden. Aus diesem Grund haben wir eine sogenannte "Ripple-Effekt-Falle".

Nach Angaben der Forscher:

Wenn eine Technologie in einen sozialen Kontext eingefügt wird, hat sie sowohl beabsichtigte als auch unbeabsichtigte Folgen. Zu den unbeabsichtigten Konsequenzen gehören vor allem die Art und Weise, wie Personen und Organisationen im System auf die Intervention reagieren. Um wirklich zu verstehen, ob die Einführung der Technologie die Fairness-Ergebnisse verbessert, ist es nicht nur notwendig, die oben diskutierten lokalisierten Fairness-Bedenken zu verstehen, sondern auch, wie die Technologie mit einem bereits bestehenden sozialen System interagiert.

Im Wesentlichen bedeutet dies, dass wir das System selbst beeinflussen, indem es den Richtern die Wahl gibt, den Algorithmus nach eigenem Ermessen zu verwenden. Ein menschlicher Eingriff macht ein logisches System nicht logischer. Es fügt nur Daten hinzu, die auf "Achseln" und "Erfahrungen" basieren, zu einem System, das diese Konzepte nicht versteht. Der Welleneffekt tritt auf, wenn Menschen in ein System eingreifen (indem sie entscheiden, wann sie basierend auf persönlichen Vorlieben verwendet werden sollen) und dann dasselbe System in menschliche Angelegenheiten eingreift (durch Vorhersagen, die auf historischen Daten basieren). Das Ergebnis ist eine Echokammer für die Vorspannung.

Das größte Problem bei Algorithmen ist vielleicht, dass sie auf Mathematik basieren – Gerechtigkeit nicht. Dies wird als "Formalismusfalle" bezeichnet.

Die Forscher schrieben:

Fehlende Berücksichtigung der vollen Bedeutung sozialer Konzepte wie Fairness, die prozessual, kontextuell und anfechtbar sein kann und nicht durch mathematische Formalismen gelöst werden kann.

Algorithmen sind nur Mathematik, sie können sich nicht selbst für Bias korrigieren. Um sie dazu zu bringen, eine Vorhersage auszuspucken, müssen Sie einen Weg finden, die verwandten Konzepte in Zahlen oder Labels darzustellen. Soziale Konzepte wie Gerechtigkeit und Fairness können jedoch nicht in Mathematik oder Etiketten dargestellt werden, da sie ständig in Bewegung sind, ständig debattiert werden und der öffentlichen Meinung unterliegen.

Selbst erzählt Technologieüberprüfung:

Sie können kein System in Utah haben, das dann direkt in Kentucky angewendet wird, weil unterschiedliche Gemeinschaften unterschiedliche Versionen von Fairness haben. Oder Sie haben kein System, das Sie für "faire" Strafjustizergebnisse beantragen und dann auf die Beschäftigung anwenden. Wie wir in diesen Zusammenhängen über Fairness denken, ist völlig anders.

Algorithmen orientieren sich eher an den Erwartungen der Entwickler als an der Fairness. Wir können dies mit der "Framing Trap" demonstrieren. Wenn Entwickler einen Algorithmus erstellen, testen sie ihn, indem sie die Genauigkeit ihrer Ausgabe im Vergleich zu ihrer Eingabe messen. Zum Beispiel könnten sie einen Algorithmus verwenden, der den Richtern helfen soll, einen Datensatz mit 1.000 Fällen zu ermitteln, für die sie Ground-Truth-Ergebnisse haben. Sie wissen bereits, ob die Personen jeweils mehr Straftaten begangen haben oder nicht, nur um festzustellen, ob der Algorithmus genau ist sagt jedes Ergebnis voraus. Wenn der Algorithmus fehlschlägt, passen die Forscher ihn an und versuchen es erneut. Sie tun dies solange, bis sie sagen können, dass ihr Algorithmus die Erfolgsschwelle ihrer Kunden erreicht. So funktioniert Black-Box-Forschung.

Bei der Bestimmung der Wirksamkeit dieser Algorithmen ist die Genauigkeit relativ, da die Entwickler nicht wissen können, was in der Black Box geschieht. Weder diese Black-Box-Systeme noch ihre Entwickler können falsche oder negative Ergebnisse erklären.

Dies bringt uns zur "Framing Trap". Fairness kann nicht auf der Algorithmusebene oder im Rahmen des Algorithmus implementiert werden, da Maschinen die Genauigkeit ihrer Daten nicht kontrollieren.

Nach Angaben der Forscher:

Innerhalb des algorithmischen Rahmens kann kein Begriff von „Fairness“ definiert werden. Dies liegt daran, dass das Ziel des algorithmischen Rahmens darin besteht, ein Modell zu erstellen, das die Beziehung zwischen Repräsentationen und Beschriftungen am besten erfasst. Um die Idee des fairen maschinellen Lernens zu untersuchen, müssen wir den Rahmen erweitern, um nicht nur den Algorithmus, sondern auch die Ein- und Ausgänge des Algorithmus zu erfassen. Wir bezeichnen diese Abstraktionsebene als den Datenrahmen.

An diesem – dem Datenrahmen – treten Menschen ein. Der Algorithmus versteht möglicherweise nicht, dass ein Täter ein solides Unterstützungssystem und einen Plan hat, um zum Beispiel Hilfe zu suchen, aber ein Richter könnte auf dieser Grundlage Nachsicht zeigen.

Um in diesem hybriden Paradigma leben zu können, müssen wir davon ausgehen, dass es im Strafrechtssystem keine inhärenten Vorurteile gibt und dass alle Richter ohne Vorurteile oder unrechtmäßige Diskriminierung arbeiten. Wir halten Applaus.

Die Daten, mit denen diese Black-Box-Systeme betrieben werden, basieren auf realen Fällen. Um „saubere Daten“ zu erstellen, müssen Algorithmen alle Entscheidungen in einem unberührten rechtlichen Umfeld treffen.

Die Framefalle sagt im Grunde, dass maschinelles Lernen, egal wie wir ein Problem betrachten, keine Dinge modellieren kann, die keine mathematischen Grundlagen haben. Um dieses Problem zu überwinden, brauchen wir einen zusätzlichen Rahmen: einen sozio-technischen Rahmen. Der vorgeschlagene sozio-technische Rahmen trifft die Entscheidungen, die von Menschen und menschlichen Institutionen getroffen werden, und kapselt sie als Teil des Gesamtentwurfs der Algorithmen, um damit den inhärenten Vorurteilen zu begegnen.

Und das bringt uns zur letzten Falle: der „Portability-Falle“. Die anderen sind kleine Kartoffeln im Vergleich zu dieser. Portabilität ist ein tief verwurzeltes Maß für Sauberkeit im Code. Entwickler sind stolz darauf, "sauberen Code" zu schreiben, da sie den effektivsten Weg gefunden haben, um ein schwieriges Problem zu lösen.

Grundsätzlich stellt ein guter Programmierer eine "Box" her und der Client entscheidet, was er hineinlegen soll. Denken Sie darüber nach: Sie bestellen keine 10 Schachteln in Form einer Kaffeetasse, um Ihre „größte“ Bechersammlung der Welt zu versenden. Sie erhalten eine Box, die zu allen passt. Sie können diese Box später wieder verwenden, um Bücher oder menschliche Köpfe zu speichern. Aber das ist das Gegenteil von dem, was das Justizsystem tun sollte. Die Entscheidung, ob eine Person im Gefängnis bleiben sollte, bis sie als unschuldig befunden wurde, oder wie viele Jahre sie bleiben sollte, wenn sie sich schuldig machen, sollte mehr als nur die Mindestmenge an Daten berücksichtigen, die ein Black-Box-System analysieren kann.

Wie die Forscher es formulieren:

Stellen Sie sich einen automatisierten Lebenslauf-Bildschirm vor: Wir sind weniger mit falschen Negativen als mit falschen Positiven beunruhigt, da am hinteren Ende mehr Filterung stattfindet (das Interview selbst). Wenn falsche Negative den Prozess vollständig beenden und bestimmte Kandidaten ausschließen, ist die Folge von Fehlalarmen ein wenig zusätzliche Arbeit für den Arbeitgeber. In Bezug auf die Strafjustiz sind wir jedoch am meisten besorgt über den Ausgleich von Fehlalarmen, was dazu führt, dass die Menschen eingesperrt bleiben und dass Ungleichheiten eine von Minderheiten dominierte Häftlingsunterklasse weiter festigen

Wir brauchen Algorithmen für den Zweck konzipiert Wenn die Freiheiten des Menschen entschieden werden, ist kein sauberer Code bereit, um alle Vorhersagen zu treffen, die ein Endbenutzer wünscht.

Algorithmen verstärken bestehende Vorurteile und führen neue Vorurteile ein, wenn sie über keine sozio-technischen Modelle verfügen, um jede der oben genannten Fallen zu verhindern. Es ist eine sichere Sache, anzunehmen, dass keiner der in US-amerikanischen Gerichtssälen verwendeten Algorithmen über ein solches Modell verfügt, da es unseres Wissens nach noch nicht existiert.

Sie fragen sich vielleicht, wie wir das Problem beheben sollen. Die Lösung ist einfacher als Sie denken, wie die Forscher geschrieben haben:

In einem Standardpapier zur Informatik schlagen wir technische Lösungen vor. Unserer vorgeschlagenen „Lösung“ liegt der Fokus auf der Analyse, wo und wie technische Lösungen anzuwenden sind.

Wir lösen das Problem mit Algorithmen, indem wir anerkennen, dass sie voreingenommen sind und sie aus unseren Gerichtsgebäuden entfernen.

Apple-Verkaufschef Angela Ahrendts verlässt das Unternehmen



Angela Ahrendts tritt nach fünf Jahren im Amt als Senior Vice President of Retail aus.

Die Ankündigung der Nachrichten in dieser Woche sagte, Ahrendts werde im April für "neue persönliche und berufliche Aktivitäten" abreisen.

Zur gleichen Zeit enthüllte das Tech-Unternehmen Ahrendts 'Ersatz als Deirdre O’Brien, einen Apple-Veteran, der derzeit die Personalabteilung leitet.

Ahrendts hatte den ersten Job bei Burberry verlassen, um bei Apple zu arbeiten, und nutzte ihre Erfahrung in der Modebranche, um die Attraktivität von Apple als Luxusmarke zu steigern. Viele neue Apple Stores wurden in schicken Einkaufsvierteln eröffnet. Das Unternehmen beschäftigt derzeit rund 70.000 Mitarbeiter in mehr als 500 Filialen in 25 Ländern.

Ahrendts sorgte auch für eine ungezwungenere Atmosphäre in den Filialen und ersetzte feste Kassen durch iPhone-basierte Zahlungsterminals, die von Mitarbeitern mitgenommen wurden. Zu den anderen Änderungen zählte die Reduzierung der Anzahl von Drittfirmen, die Zubehör wie iPhone-Hüllen verkauften, und bot Platz für alternative Angebote von Apple.

Sie setzte sich zudem für die Idee ein, ihre Verkaufsflächen als Veranstaltungsorte außerhalb eines einfachen Ladengeschäfts zu nutzen, und ermutigte sie zu einer breiteren Palette von Aktivitäten wie Präsentationen, Konzerten und Bildungsinitiativen.

Apple-Chef Tim Cook sagte, dass Ahrendts während ihrer Zeit im Unternehmen "eine positive, transformative Kraft sowohl für Apples Stores als auch für die Gemeinden war, in denen sie tätig sind", während Ahrendts selbst ihre Anstellung als "anregend, herausfordernd und erfüllend" bezeichnete ”Ihrer bisherigen Karriere.

Vor seinem Einstieg bei Apple im Jahr 2014 hatte Ahrendts mehr als drei Jahrzehnte Erfahrung in der Modebranche. Zu dieser Zeit arbeitete er als Executive Vice President des Bekleidungsunternehmens Liz Claiborne und, bevor er zum iPhone-Hersteller kam, als CEO der Luxusmodemarke Burberry

Apples Einzelhandelschef lag auf der Forbes-Liste von 2018 an 4. Stelle der weltweit mächtigsten Frauen im Bereich Tech und wurde als die bestbezahlte Führungskraft des Unternehmens angesehen. 2017 verdiente sie mit 24,2 Millionen US-Dollar fast 12,8 Millionen US-Dollar, die ihr Chef Tim Cook im selben Jahr erhielt.

Der Nachfolger von Ahrendts, Deirdre O’Brien, wird ihre derzeitige Rolle als Personalchef ausbauen, um Apples Senior Vice President Retail und People zu werden. O’Brien kam vor 30 Jahren zu Apple und übernahm ihre letzte Position im Jahr 2017.

"Bei Apple glauben wir, dass unsere Seele unsere Leute sind, und Deirdre versteht die Qualitäten und Stärken unseres Teams besser als jeder andere", sagte Cook diese Woche. „Seit mehr als drei Jahrzehnten hat sie dazu beigetragen, dass sich Apple auf Kunden konzentriert und das Leben bereichert. Sie ist eine außergewöhnliche Führungskraft und von Anfang an ein wichtiger Partner für unsere Einzelhandels-Teams auf der ganzen Welt. "

Die Veränderung von Apple an der Spitze kommt vor dem Hintergrund, dass das Unternehmen mit sinkenden iPhone-Verkäufen kämpft. Cook machte kürzlich eine Reihe von Faktoren, darunter eine wirtschaftliche Abkühlung in China, für den Rückgang verantwortlich. Jetzt sind alle Augen auf O’Brien gerichtet, um zu sehen, ob sie helfen kann, die Situation zu ändern.










Atarax vs. Valium Behandlung von Angststörungen: Unterschiede und Nebenwirkungen


Welche Medikamente interagieren mit Atarax?

Atarax kann mit anderen Arzneimitteln zusammenwirken, die Sie schläfrig machen (wie Erkältungs- oder Allergiemedikamente, Beruhigungsmittel, Betäubungsmittel, Schlaftabletten, Muskelrelaxantien und Arzneimittel gegen Anfälle, Depressionen oder Angstzustände).

Welche Medikamente interagieren mit Valium?

Zentral agierende Agenten

Wenn Valium mit anderen zentral wirkenden Wirkstoffen kombiniert werden soll, sollte die Pharmakologie der eingesetzten Wirkstoffe, insbesondere mit Verbindungen, die die Wirkung von Valium verstärken oder potenzieren können, wie Phenothiazine, Antipsychotika, Anxiolytika / Beruhigungsmittel, Hypnotika, sorgfältig geprüft werden Antikonvulsiva, narkotische Analgetika, Anästhetika, Antihistaminika, Betäubungsmittel, Barbiturate, MAO-Hemmer und andere Antidepressiva.

Alkohol

Die gleichzeitige Anwendung mit Alkohol wird nicht empfohlen, da die beruhigende Wirkung verstärkt wird.

Antazida

Diazepam-Spitzenkonzentrationen sind um 30% niedriger, wenn Antazida gleichzeitig verabreicht werden. Es hat jedoch keinen Einfluss auf das Ausmaß der Absorption. Die niedrigeren Spitzenkonzentrationen scheinen auf eine langsamere Absorptionsrate zurückzuführen zu sein, wobei die Zeit, die erforderlich ist, um Spitzenkonzentrationen im Durchschnitt um 20 bis 25 Minuten zu erreichen, in Gegenwart von Antazida besteht. Dieser Unterschied war jedoch nicht statistisch signifikant.

Der Treibstoff für KI und digitale Transformation



<div _ngcontent-c14 = "" innerhtml = "

Daten .. Kraftstoff für die AI-TransformationDepositphotos verbessert durch CogWorld

Die Währung von morgen ist nicht& nbsp;was denkst du:& nbsp;Es ist nicht kalt bares Geld,& nbsp;Edelmetalle,& nbsp;Land oder sogar& nbsp;Kryptowährung& nbsp;– es ist& nbsp;Daten. & nbsp;Im& nbsp;die nahe Zukunft, jedes Unternehmen der Welt& nbsp;werden& nbsp;entweder& nbsp;kaufen oder verkaufen& nbsp;Daten& nbsp;da dieses Unternehmensvermögen weiter an Wert gewinnt.& nbsp;

Aber,& nbsp;Es reicht nicht aus, auf riesige Datenmengen zuzugreifen& nbsp;verstehe es und& nbsp;benutze es.& nbsp;

Das Versprechen von AI besteht darin, dass das Wissen, das durch die Anwendung von Analysen auf die Fülle an Daten, die heute verfügbar sind, gewonnen wird, jeden Entscheidungsfindungsprozess mit zusätzlichen Informationen verbessern kann, wodurch wir schnellere und effektivere Ergebnisse erzielen können.Microsoft& nbsp;& nbsp;

& nbsp;Ich habe vor kurzem mit einem Kollegen über das Internet gesprochen& nbsp;wachsend& nbsp;Bedeutung& nbsp;von& nbsp;Daten& nbsp;zu& nbsp;Geschäft und ausgedrückt& nbsp;die Ansicht, dass& nbsp;Unternehmen, die keine Daten erheben und verwenden,& nbsp;ein unmögliches& nbsp;Hürde& nbsp;springen& nbsp;im Rennen um& nbsp;Innovation und Wettbewerbsfähigkeit.& nbsp;

Diese& nbsp;mag wie eine raue Sicht erscheinen, aber ohne Zugang dazu& nbsp;hyperrelevant& nbsp;Daten für die Entscheidungsfindung, Unternehmen werden& nbsp;schnell& nbsp;werden isoliert und getrennt.& nbsp;

KI-Systeme können darauf zugreifen und analysieren& nbsp;groß& nbsp;Datensätze& nbsp;Wenn also die Unternehmen die Explosion von& nbsp;Daten& nbsp;als die& nbsp;Treibstoff für die digitale Transformation,& nbsp;sie werden brauchen& nbsp;zu& nbsp;künstliche Intelligenz& nbsp;und maschinelles Lernen& nbsp;zu& nbsp;Hilfe& nbsp;Daten umwandeln& nbsp;effektiv,& nbsp;so können sie liefern& nbsp;Erfahrungen& nbsp;Menschen& nbsp;noch nie gesehen oder vorgestellt.& nbsp;

& nbsp;Das Datendilemma& nbsp;

Fast jeder Kunde, den ich treffe& nbsp;diese tage konzentrieren sich auf zwei& nbsp;Main& nbsp;Fragen:& nbsp;

  1. Wie nutzen wir die Macht der Daten, um bessere Entscheidungen treffen zu können?und& nbsp;datengetriebene Entscheidungen?& nbsp;
  2. Was müssen wir tun, um Data Science und künstliche Intelligenzfähigkeiten aufzubauen?unsere& nbsp;Organisation?& nbsp;

Aktuelle Forschungsergebnisse unterstreichen die Bedeutung von Daten& nbsp;unter dem Strich eines Unternehmens& nbsp;Daher ist es nicht überraschend, dass die Unternehmen sich darauf konzentrieren, ihre Daten relevant zu machen.& nbsp;Bedenken Sie:& nbsp;

  • DurchHerstellung& nbsp;10% mehr Daten verfügbarein typisches& nbsp;Fortune 1000-Unternehmen& nbsp;wird $ 65 sehen& nbsp;Millionenanstieg beim Reingewinn. & nbsp;& nbsp;
  • EINBig Data Executive-Umfrage unter neuen Vantage-Partnern& nbsp;gefunden& nbsp;85% der Unternehmen& nbsp;wollen datengetrieben sein, aber nur 37% waren erfolgreich.& nbsp;
  • Nurein& nbsp;winzig& nbsp;Portion& nbsp;der verfügbaren Daten& nbsp;ist& nbsp;zur Zeit& nbsp;analysiert werden& nbsp;so& nbsp;AI könnte hier wirklich helfen.& nbsp;

Der Treibstoff& nbsp;das läuft& nbsp;Geschäft& nbsp;

Wenn Daten die Währung von morgen sind, warum können wir sie nicht erfolgreicher nutzen?& nbsp;

Vor einigen wenigen Jahren behandelte das Unternehmen ihre Daten als Abgase& nbsp;das Ende herauspumpen& nbsp;von& nbsp;viele& nbsp;Geschäft& nbsp;Prozesse& nbsp;oder Transaktionen.& nbsp;Es ist& nbsp;Wert wurde als etwas begrenzt angesehen.& nbsp;

Heute,& nbsp;Daten& nbsp;ist nicht& nbsp;ein& nbsp;Ausgabe& nbsp;oder& nbsp;ein& nbsp;Nebenprodukt aber eher der Kraftstoff& nbsp;Laufen& nbsp;unser Geschäft.& nbsp;

AI könnte sich verdoppeln& nbsp;das& nbsp;jährliche Wirtschaftswachstumsrate bis 2035 und Steigerung der Arbeitsproduktivität um bis zu 40 Prozent – & nbsp;Akzent& nbsp;

& nbsp;Daten treiben das Kundenerlebnis an,& nbsp;Analysen, maschinelles Lernen und KI, die auf fortschrittlichen Hardwareplattformen ausgeführt werden, geben Unternehmen die Möglichkeit, nachzusehen& nbsp;Bei data als strategischer Enabler kein Output-Produkt. Einige Beispiele sind die& nbsp;Hyper-Personalisierung von& nbsp;ein Einzelhandel& nbsp;Erfahrung, Positionssensoren& nbsp;Das& nbsp;Unternehmen dabei zu unterstützen, Sendungen für mehr Effizienz zu routen,& nbsp;genauere und effektivere Betrugserkennung& nbsp;und selbst& nbsp;tragbar& nbsp;Technologien, die detaillierte Informationen darüber bereitstellen, wie Arbeitnehmer& nbsp;sind& nbsp;bewegen, heben oder ihre& nbsp;Ort, um Verletzungen zu reduzieren und die Sicherheit zu erhöhen. Und das ist erst der Anfang. & Nbsp; Fortgeschrittene Algorithmen& nbsp;sind& nbsp;Analyse genetischer Informationen& nbsp;zu& nbsp;helfen, Krankheiten früher als je zuvor zu erkennen& nbsp;zu& nbsp;Leben retten.& nbsp;

Alle Daten verstehen& nbsp;

So,& nbsp;Wenn wir alle die unglaublichen Vorteile oder das Potenzial sehen können,& nbsp;die frage bleibt:& nbsp;Warum nutzen Unternehmen diese rohe Energie nicht?& nbsp;Ich glaube es liegt daran, dass viele Unternehmen Schwierigkeiten haben, diese zu überwinden& nbsp;ein paar große& nbsp;Hürden& nbsp;einschließlich:& nbsp;

Ressourcen& nbsp;& nbsp;Das Fachwissen, um die Daten zu verstehen& nbsp;ist in Amerika heute wehmütig& nbsp;da wir mit einem weltweiten Mangel an Datenwissenschaftlern fertig werden. Beim& nbsp;Gleichzeitig mangelt es an Diversität unter den Datenwissenschaftlern& nbsp;Das& nbsp;können& nbsp;weitere Skew-Ergebnisse& nbsp;aufgrund unbeabsichtigter geschlechtsspezifischer oder kultureller Vorurteile& nbsp;das kann die Analyse eingeben.& nbsp;

Datenaggregation& nbsp;& nbsp;Wir haben Daten aus einem weiten Bereich& nbsp;Angebot& nbsp;von& nbsp;Quellen wie Mobile, Web, Einzelhandel, IoT und mehr. Sammeln von Daten aus unterschiedlichen Quellen& nbsp;ist aber komplex& nbsp;gibt ein vollständigeres Bild& nbsp;von Trends& nbsp;und wird dazu beitragen, die Entscheidungsfindung zu verbessern.& nbsp;

Daten lügen& nbsp;& nbsp;Was ich damit meine, ist& nbsp;Das& nbsp;Jeder Datensatz fehlt, ist fehlerhaft& nbsp;und betrügerische Daten darin. Wir müssen Datenwissenschaftler trainieren, um sie zu identifizieren& nbsp;oder& nbsp;trügerisch ausfiltern und& nbsp;falsch& nbsp;Daten,& nbsp;und wir müssen bessere Ansätze verwenden, um Lücken zu füllen& nbsp;um die Genauigkeit der Ergebnisse zu verbessern.& nbsp;

Daten reinigen& nbsp;& nbsp;Da ich& nbsp;Letztes Mal erwähnt, viel Zeit mit Daten verbracht& nbsp;Wissenschaftler& nbsp;heute sind reinigungsdaten& nbsp;um es zu schaffen& nbsp;zugänglich, aber dies& nbsp;ist eine Rolle, die könnte& nbsp;Sein& nbsp;gedreht& nbsp;über AI-Maschinen.& nbsp;Dieser Datenbereinigungsprozess ist von entscheidender Bedeutung, da Sie nach der Analyse der Rohdaten nicht weiter nachfragen müssen& nbsp;Einsichten, die ganz einfach falsch sind.& nbsp;

Wahrheit& nbsp;Suchende& nbsp;& nbsp;Das Wichtigste an uns& nbsp;zu tun ist zu stoppen& nbsp;Sprechen über Datenwissenschaft, als ob sie zur Wahrheit führt. & nbsp;& nbsp;Datenwissenschaft führt nicht zur Wahrheit. Datenwissenschaft& nbsp;führt& nbsp;zum& nbsp;Wahrscheinlichkeit& nbsp;dass etwas stimmt. & nbsp; Es ist eine subtile, aber wichtige Nuance.& nbsp;

Datenkompetenz& nbsp;ist eine Kernkompetenz& nbsp;

Wie nah kommen wir?& nbsp;zu& nbsp;die nutzung der datenspeicher in unserem& nbsp;Organisation?& nbsp;

& nbsp;91% der Organisationen& nbsp;haben& nbsp;noch zu erreichen ein& nbsp;"Transformativer" Reifegrad in Daten und Analytik – & nbsp;Gärtner& nbsp;

& nbsp;Daten in Geschäftswert umwandeln& nbsp;ist schwieriger als viele Firmen dachten,& nbsp;erforderlich& nbsp;tiefere Ressourcen, mehr Fachwissen und härtere Arbeit als erwartet, es sei denn, Sie planen& nbsp;kaufen& nbsp;eine einfache Fahrkarte nach& nbsp;ein& nbsp;einsame Insel,& nbsp;Zeit zu investieren, ist für das Überleben der Zukunft unerlässlich.& nbsp;

& nbsp;Ich glaube das& nbsp;erreichen& nbsp;Die Transformationsebene erfordert Datenkompetenz, die eine Organisation von oben bis unten durchdringt, sowie KI und maschinelles Lernen, um Sinn zu machen& nbsp;unsere& nbsp;wachsende Datensätze.& nbsp;Und genau so, wie wir Fähigkeiten für die heutigen Mechaniker verbessern müssen& nbsp;das& nbsp;Um die hochdigitalen Autos von heute zu managen, müssen Unternehmen mit dem Aufbau beginnen& nbsp;Datenfunktionen zur Zündung ihrer Daten und Beschleunigung der Transformation.& nbsp;

">

Daten .. Kraftstoff für die KI-UmwandlungDepositphotos verbessert durch CogWorld

Die Währung von morgen ist nicht was denkst du: Es ist nicht kalt bares Geld, Edelmetalle, Land oder sogar Kryptowährung – es ist Daten. Im die nahe Zukunft, jedes Unternehmen der Welt werden entweder kaufen oder verkaufen Daten da dieses Unternehmensvermögen weiter an Wert gewinnt.

Aber, Es reicht nicht aus, auf riesige Datenmengen zuzugreifen verstehe es und benutze es.

Das Versprechen von AI besteht darin, dass das Wissen, das durch die Anwendung von Analysen auf die Fülle an Daten, die heute verfügbar sind, gewonnen wird, jeden Entscheidungsfindungsprozess mit zusätzlichen Informationen verbessert und uns dabei hilft, schnellere und effektivere Ergebnisse zu erzielen. Microsoft

Ich habe vor kurzem mit einem Kollegen über das Internet gesprochen wachsend Bedeutung von Daten zu Geschäft und ausgedrückt die Ansicht, dass Unternehmen, die keine Daten erheben und verwenden, ein unmögliches Hürde springen im Rennen um Innovation und Wettbewerbsfähigkeit.

Diese mag wie eine raue Sicht erscheinen, aber ohne Zugang dazu hyperrelevant Daten für die Entscheidungsfindung, Unternehmen werden schnell werden isoliert und getrennt.

KI-Systeme können darauf zugreifen und analysieren groß Datensätze Wenn also die Unternehmen die Explosion von Daten als die Treibstoff für die digitale Transformation, sie werden brauchen zu künstliche Intelligenz und maschinelles Lernen zu Hilfe Daten umwandeln effektiv, so können sie liefern Erfahrungen Menschen noch nie gesehen oder vorgestellt.

Das Datendilemma

Fast jeder Kunde, den ich treffe diese tage konzentrieren sich auf zwei Main Fragen:

  1. Wie nutzen wir die Macht der Daten, um bessere Entscheidungen treffen zu können?und datengetriebene Entscheidungen?
  2. Was müssen wir tun, um Data Science und künstliche Intelligenzfähigkeiten aufzubauen?unsere Organisation?

Aktuelle Forschungsergebnisse unterstreichen die Bedeutung von Daten unter dem Strich eines Unternehmens Daher ist es nicht überraschend, dass die Unternehmen sich darauf konzentrieren, ihre Daten relevant zu machen. Bedenken Sie:

  • DurchHerstellung 10% mehr Daten verfügbarein typisches Fortune 1000-Unternehmen wird $ 65 sehen Millionen Gewinnsteigerung.
  • EINBig Data Executive-Umfrage unter neuen Vantage-Partnern gefunden 85% der Unternehmen wollen datengetrieben sein, aber nur 37% waren erfolgreich.
  • Nurein winzig Portion der verfügbaren Daten ist zur Zeit analysiert werden so AI könnte hier wirklich helfen.

Der Treibstoff das läuft Geschäft

Wenn Daten die Währung von morgen sind, warum können wir sie nicht erfolgreicher nutzen?

Vor einigen wenigen Jahren behandelte das Unternehmen ihre Daten als Abgase das Ende herauspumpen von viele Geschäft Prozesse oder Transaktionen. Es ist Wert wurde als etwas begrenzt angesehen.

Heute, Daten ist nicht ein Ausgabe oder ein Nebenprodukt aber eher der Kraftstoff Laufen unser Geschäft.

AI könnte sich verdoppeln das jährliche Wirtschaftswachstumsrate bis 2035 und Steigerung der Arbeitsproduktivität um bis zu 40 Prozent – Akzent

Daten treiben das Kundenerlebnis an, Analysen, maschinelles Lernen und KI, die auf fortschrittlichen Hardwareplattformen ausgeführt werden, geben Unternehmen die Möglichkeit, nachzusehen Bei data als strategischer Enabler kein Output-Produkt. Einige Beispiele sind die Hyper-Personalisierung von ein Einzelhandel Erfahrung, Positionssensoren Das Unternehmen dabei zu unterstützen, Sendungen für mehr Effizienz zu routen, genauere und effektivere Betrugserkennung und selbst tragbar Technologien, die detaillierte Informationen darüber bereitstellen, wie Arbeitnehmer sind bewegen, heben oder ihre Ort, um Verletzungen zu reduzieren und die Sicherheit zu erhöhen. Und das ist erst der Anfang. Fortgeschrittene Algorithmen sind Analyse genetischer Informationen zu helfen, Krankheiten früher als je zuvor zu erkennen zu Leben retten.

Alle Daten verstehen

So, Wenn wir alle die unglaublichen Vorteile oder das Potenzial sehen können, die frage bleibt: Warum nutzen Unternehmen diese rohe Kraft nicht? Ich glaube es liegt daran, dass viele Unternehmen Schwierigkeiten haben, diese zu überwinden ein paar große Hürden einschließlich:

Ressourcen Das Fachwissen, um die Daten zu verstehen ist in Amerika heute wehmütig da wir mit einem weltweiten Mangel an Datenwissenschaftlern fertig werden. Beim Gleichzeitig mangelt es an Diversität unter den Datenwissenschaftlern Das können weitere Skew-Ergebnisse aufgrund unbeabsichtigter geschlechtsspezifischer oder kultureller Vorurteile das kann die Analyse eingeben.

Datenaggregation Wir haben Daten aus einem weiten Bereich Angebot von Quellen wie Mobile, Web, Einzelhandel, IoT und mehr. Sammeln von Daten aus unterschiedlichen Quellen ist aber komplex gibt ein vollständigeres Bild von Trends und wird dazu beitragen, die Entscheidungsfindung zu verbessern.

Daten lügen Was ich damit meine, ist Das Jeder Datensatz fehlt, ist fehlerhaft und betrügerische Daten darin. Wir müssen Datenwissenschaftler trainieren, um sie zu identifizieren oder trügerisch ausfiltern und falsch Daten, und wir müssen bessere Ansätze verwenden, um Lücken zu füllen um die Genauigkeit der Ergebnisse zu verbessern.

Daten reinigen Da ich Letztes Mal erwähnt, viel Zeit mit Daten verbracht Wissenschaftler heute sind reinigungsdaten um es zu schaffen zugänglich, aber dies ist eine Rolle, die könnte Sein gedreht über AI-Maschinen. Dieser Datenbereinigungsprozess ist von entscheidender Bedeutung, da Sie nach der Analyse der Rohdaten nicht weiter nachfragen müssen Einsichten, die ganz einfach falsch sind.

Wahrheit Suchende Das Wichtigste an uns zu tun ist zu stoppen Sprechen über Datenwissenschaft, als ob es zur Wahrheit führt. Datenwissenschaft führt nicht zur Wahrheit. Datenwissenschaft führt zum Wahrscheinlichkeit dass etwas stimmt. Es ist eine subtile, aber wichtige Nuance.

Datenkompetenz ist eine Kernkompetenz

Wie nah kommen wir? zu die nutzung der datenspeicher in unserem Organisation?

91% Prozent der Organisationen haben noch zu erreichen ein "Transformativer" Reifegrad in Daten und Analytik – Gärtner

Daten in Geschäftswert umwandeln ist schwieriger als viele Firmen dachten, erforderlich tiefere Ressourcen, mehr Fachwissen und härtere Arbeit als erwartet, es sei denn, Sie planen kaufen eine einfache Fahrkarte nach ein einsame Insel, Zeit zu investieren, ist für das Überleben der Zukunft unerlässlich.

Ich glaube das erreichen Die Transformationsebene erfordert Datenkompetenz, die eine Organisation von oben bis unten durchdringt, sowie KI und maschinelles Lernen, um Sinn zu machen unsere wachsende Datensätze. Und genau so, wie wir Fähigkeiten für die heutigen Mechaniker verbessern müssen das Um die hochdigitalen Autos von heute zu managen, müssen Unternehmen mit dem Aufbau beginnen Datenfunktionen zur Zündung ihrer Daten und Beschleunigung der Transformation.