私達と接続する

AI

AWS AIサービスを使用して、コグニティブ検索と健康知識グラフを作成します

公開済み

on

医療データは非常に文脈的で非常にマルチモーダルであり、各データサイロは個別に扱われます。 さまざまなデータを橋渡しするために、知識グラフベースのアプローチは、ドメイン間でデータを統合し、科学的知識の複雑な表現をより自然に表現するのに役立ちます。 たとえば、主要な電子健康記録(EHR)のXNUMXつのコンポーネントは、診断コード、一次メモ、および特定の医薬品です。 これらはさまざまなデータサイロで表されるため、特定の観察可能な特性を持つ患者を正確に特定するためにこれらのドキュメントを二次的に使用することは重要な課題です。 これらのさまざまなソースを接続することにより、対象分野の専門家は、病気や症状などのさまざまな概念が互いにどのように相互作用するかを理解し、研究の実施を支援するための豊富なデータプールを手に入れることができます。 これは最終的に、ヘルスケアおよびライフサイエンスの研究者や開業医が、創薬や個別化された治療など、さまざまなユースケースのデータからより良い洞察を生み出すのに役立ちます。

この投稿では、 アマゾン・ヘルスレイク でEHRデータをエクスポートするには FastHealthcareの相互運用性リソース (FHIR)データ形式。 次に、医療データから抽出および調和された主要なエンティティに基づいて知識グラフを作成します。 Amazon HealthLakeは、医療メモなどの非構造化医療データも抽出して変換するため、検索と分析が可能です。 一緒に アマゾンケンドラ アマゾン海王星、ドメインの専門家が自然言語の質問をしたり、結果や関連ドキュメントを表示したり、レコードやドキュメント全体で治療、推定ICD-10コード、投薬などの関連する主要エンティティを表示したりできるようにします。 これにより、統合ソリューションでの主要エンティティの共起の分析、併存疾患の分析、および患者コホートの分析が容易になります。 グラフネットワークを介した効果的な検索機能とデータマイニングを組み合わせることで、ユーザーが患者に関する関連情報を見つけるための時間とコストを削減し、EHRを取り巻く知識の有用性を向上させます。 この投稿のコードベースは、 GitHubレポ.

ソリューションの概要

この投稿では、AmazonHealthLakeからの出力をXNUMXつの目的で使用します。

まず、EHRをAmazon Kendraにインデックス付けして、患者のメモからセマンティックで正確なドキュメントのランク付けを行います。これにより、医師が患者のメモを識別し、同様の特性を共有する他の患者と比較する効率が向上します。 これにより、字句検索の使用から、クエリの周囲にコンテキストを導入するセマンティック検索に移行し、検索出力が向上します(次のスクリーンショットを参照)。

次に、Neptuneを使用して、ユーザーが患者のメモに関連付けられたメタデータをより単純で正規化されたビューで表示するための知識グラフアプリケーションを構築します。これにより、ドキュメントに由来する重要な特性を強調できます(次のスクリーンショットを参照)。

次の図は、アーキテクチャを示しています。

ソリューションを実装する手順は次のとおりです。

  1. AmazonHealthLakeデータを作成してエクスポートします。
  2. 患者の訪問メモとメタデータを抽出します。
  3. 患者のメモデータをAmazonKendraにロードします。
  4. データをNeptuneにロードします。
  5. Webアプリを実行するようにバックエンドとフロントエンドを設定します。

AmazonHealthLakeデータを作成してエクスポートする

最初のステップとして、AmazonHealthLakeコンソールまたはAmazonHealthLakeコンソールを介してAmazonHealthLakeを使用してデータストアを作成します。 AWSコマンドラインインターフェイス (AWS CLI)。 この投稿では、AWSCLIアプローチに焦点を当てます。

  1. を使用しております AWS クラウド9 次のコードでデータストアを作成するには、 < >> 一意の名前:
aws healthlake create-fhir-datastore --region us-east-1 --datastore-type-version R4 --preload-data-config PreloadDataType="SYNTHEA" --datastore-name "<<your_data_store_name>>"

上記のコードは、FHIRバージョンR4でサポートされているSyntheaからプリロードされたデータセットを使用して、AmazonHealthLake出力の使用方法を調べています。 コードを実行すると、次のコードのような応答が生成されます。この手順は、完了するまでに数分かかります(執筆時点では約30分)。

{ "DatastoreEndpoint": "https://healthlake.us-east-1.amazonaws.com/datastore/<<your_data_store_id>>/r4/", "DatastoreArn": "arn:aws:healthlake:us-east-1:<<your_AWS_account_number>>:datastore/fhir/<<your_data_store_id>>", "DatastoreStatus": "CREATING", "DatastoreId": "<<your_data_store_id>>"
}

完了のステータスは、AmazonHealthLakeコンソールまたはAWSCloud9環境で確認できます。

  1. AWS Cloud9のステータスを確認するには、次のコードを使用してステータスを確認し、 DatastoreStatus からの変更 CREATING 〜へ ACTIVE:
aws healthlake describe-fhir-datastore --datastore-id "<<your_data_store_id>>" --region us-east-1

  1. ステータスがに変わるとき ACTIVE、から役割ARNを取得します HEALTHLAKE-KNOWLEDGE-ANALYZER-IAMROLE スタックイン AWS CloudFormation、物理IDに関連付けられています AmazonHealthLake-Export-us-east-1-HealthDataAccessRole、リンク先のページにARNをコピーします。
  2. AWS Cloud9で、次のコードを使用して、AmazonHealthLakeから Amazon シンプル ストレージ サービス (Amazon S3)から生成されたバケット AWSクラウド開発キット (AWS CDK)そして注意してください job-id 出力:
aws healthlake start-fhir-export-job --output-data-config S3Uri="s3://hl-synthea-export-<<your_AWS_account_number>>/export-$(date +"%d-%m-%y")" --datastore-id <<your_data_store_id>> --data-access-role-arn arn:aws:iam::<<your_AWS_account_number>>:role/AmazonHealthLake-Export-us-east-1-HealthKnoMaDataAccessRole

  1. 次のコードを使用して、エクスポートジョブが完了していることを確認します。 job-id 最後に実行したコードから取得します。 (エクスポートが完了すると、 JobStatus 出力状態で COMPLETED):
aws healthlake describe-fhir-export-job --datastore-id <<your_data_store_id>> --job-id <<your_job_id>>

患者の訪問メモとメタデータを抽出する

次のステップでは、患者の訪問をデコードして生のテキストを取得します。 以前に完了したAmazonHealthLakeエクスポートステップから次のファイルDocumentReference-0.ndjson(S3の次のスクリーンショットに表示)をデプロイされたCDKにインポートします。 アマゾンセージメーカー ノートブックインスタンス。 まず、Githubリポジトリから提供されたノートブックをSageMakerインスタンスに保存します。 次に、ノートブックを実行して、S0からDocumentReference-3.ndjsonファイルを自動的に見つけてインポートします。

このステップでは、リソースのあるSageMakerを使用してノートブックをすばやく実行します。 ノートブックの最初の部分は、各患者の訪問からのメモを含むテキストファイルを作成し、AmazonS3の場所に保存されます。 XNUMX人の患者に対して複数の訪問が存在する可能性があるため、一意のIDは、患者の一意のIDと訪問IDを組み合わせたものです。 これらの患者のメモは、AmazonKendraの使用に対してセマンティック検索を実行するために使用されます。

ノートブックの次のステップでは、自動的に抽出されたメタデータに基づいてトリプルを作成します。 Amazon S3の場所にメタデータを作成して保存することにより、 AWSラムダ 関数がトリガーされ、患者の訪問メモを囲むトリプルが生成されます。

患者のメモデータをAmazonKendraにロードする

S3バケットのソースパスにアップロードされたテキストファイルは、クロールしてインデックスを作成する必要があります。 この投稿では、AWS CDKのデプロイ中に開発者エディションが作成されるため、生の患者のメモを接続するためのインデックスが作成されます。

  1. HEALTHLAKE-KNOWLEDGE-ANALYZER-COREスタックの下のAWSCloudFormationコンソールで、 リソース タブをクリックして、インデックスIDとデータソースIDをメモします(パイプの前に物理IDの最初の部分をコピーします(|))。

  1. AWS Cloud9に戻り、次のコマンドを実行して、AmazonS3の患者メモをAmazonKendraに同期します。
aws kendra start-data-source-sync-job --id <<data_source_id_2nd_circle>> --index-id <<index_id_1st_ circle>>

  1. 次のコマンドを実行して、同期ステータスがいつ完了したかを確認できます。
aws kendra describe-data-source --id <<data_source_id_2nd_circle>> --index-id <<index_id_1st_circle>>

取り込んだデータは非常に小さいため、前のコマンドを実行するとすぐにステータスがアクティブであることが示されます。

Neptuneにデータをロードします

この次のステップでは、 アマゾン エラスティック コンピューティング クラウド (Amazon EC2)スピンアップされ、次のコードを使用してAmazonS3からNeptuneにトリプルをロードしたインスタンス:

curl -X POST -H 'Content-Type: application/json' https://healthlake-knowledge-analyzer-vpc-and-neptune-neptunedbcluster.cluster-<<your_unique_id>>.us-east-1.neptune.amazonaws.com:8182/loader -d '
{ "source": "s3://<<your_Amazon_S3_bucket>>/stdized-data/neptune_triples/nquads/", "format": "nquads", "iamRoleArn": "arn:aws:iam::<<your_AWS_account_number>>:role/KNOWLEDGE-ANALYZER-IAMROLE-ServiceRole", "region": "us-east-1", "failOnError": "TRUE"
}'

Webアプリを実行するようにバックエンドとフロントエンドを設定します

前の手順は、完了するまでに数秒かかるはずです。 それまでの間、WebアプリにアクセスするようにEC2インスタンスを設定してください。 PythonとNodeの両方がインスタンスにインストールされていることを確認してください。

  1. インスタンスのターミナルで次のコードを実行します。
sudo iptables -t nat -I PREROUTING -p tcp --dport 80 -j REDIRECT --to-ports 3000

これにより、パブリックアドレスがデプロイされたアプリにルーティングされます。

  1. タイトルのXNUMXつのフォルダをコピーします ka-webapp ka-server-webapp それらをという名前のフォルダにアップロードします dev EC2インスタンスで。
  2. フロントエンドの場合は、次のコマンドを実行して画面を作成します。
screen -S back 

  1. この画面で、フォルダを次のように変更します。 ka-webapp 実行する npm インストールしてください。
  2. インストール後、ファイルに移動します .env.development Amazon EC2パブリックIPv4アドレスを配置し、ファイルを保存します。
  3. ラン npm 画面を起動してから切り離します。
  4. バックエンドの場合は、次のように入力して別の画面を作成します。
screen -S back

  1. フォルダを次のように変更します ka-server-webapp 実行する pip install -r requirements.txt.
  2. ライブラリがインストールされたら、次のコードを入力します。
  1. 現在の画面から切り離し、任意のブラウザーを使用して、AmazonEC2パブリックIPv4アドレスにアクセスしてWebアプリにアクセスします。

患者の診断を検索し、ドキュメントのリンクを選択して、そのドキュメントのナレッジグラフを視覚化してみてください。

次のステップ

この投稿では、Amazon HealthLakeからのデータ出力を検索エンジンとグラフエンジンの両方に統合して、関連情報を意味的に検索し、ドキュメントにリンクされている重要なエンティティを強調表示します。 この知識グラフをさらに拡張して、MeSHやMedDRAなどの他のオントロジーにリンクすることができます。

さらに、これは、他の臨床データセットをさらに統合し、この知識グラフを拡張してデータファブリックを構築するための基盤を提供します。 過去の人口データにクエリを実行し、構造化された言語ベースの検索を連鎖させてコホートを選択し、疾患と患者の転帰を関連付けることができます。

クリーンアップ

リソースをクリーンアップするには、次の手順を実行します。

  1. 作成されたスタックを削除するには、指定された順序で次のコマンドを入力して、すべてのリソースを適切に削除します。
$ cdk destroy HEALTHLAKE-KNOWLEDGE-ANALYZER-UPDATE-CORE
$ cdk destroy HEALTHLAKE-KNOWLEDGE-ANALYZER-WEBAPP
$ cdk destroy HEALTHLAKE-KNOWLEDGE-ANALYZER-CORE

  1. 上記のコマンドの進行中に、作成されたAmazonKendraデータソースを削除します。
$ cdk destroy HEALTHLAKE-KNOWLEDGE-ANALYZER-VPC-AND-NEPTUNE
$ cdk destroy HEALTHLAKE-KNOWLEDGE-ANALYZER-IAMROLE
$ aws healthlake delete-fhir-datastore --datastore-id <<your_data_store_id>> 

  1. 削除されたことを確認するには、次のコマンドを実行してステータスを確認します。
$ aws healthlake describe-fhir-datastore --datastore-id "<<your_data_store_id>>" --region us-east-1

  1. AWS CloudFormationコンソールをチェックして、関連するすべてのスタックが HEALTHLAKE-KNOWLEDGE-ANALYZER すべて正常に削除されました。

結論

Amazon HealthLakeは、FHIR標準に基づくマネージドサービスを提供し、健康および臨床ソリューションを構築できるようにします。 AmazonHealthLakeの出力をAmazonKendraおよびNeptuneに接続すると、認知検索と健康知識グラフを作成して、インテリジェントアプリケーションを強化することができます。

このアプローチに基づいて構築することで、研究者や第一線の医師は、Webブラウザに質問を入力するだけで、臨床ノートや研究記事を簡単に検索できます。 すべての臨床エビデンスは、機械学習を使用してタグ付け、インデックス付け、構造化され、感染、危険因子、治療法、インキュベーションなどのエビデンスに基づくトピックを提供します。 この特定の機能は、臨床医や科学者が臨床意思決定支援や研究を検証して進めるためにすばやく質問できるため、非常に価値があります。

自分で試してみてください! に例をデプロイすることにより、AWSアカウントでAmazonHealthLakeを使用してこのソリューションをデプロイします GitHubの.


著者について

プリティビラージ・ジョティクマール、PhDは、AWS Professional Servicesのデータサイエンティストであり、顧客が機械学習を使用してソリューションを構築するのを支援しています。 彼は映画やスポーツを見たり、瞑想に時間を費やしたりするのが好きです。

ピグエン はAWSのソリューションアーキテクトであり、データレイク、分析、セマンティクステクノロジー、機械学習に特に重点を置いて、お客様のクラウドジャーニーを支援しています。 余暇には、自転車で通勤したり、息子のサッカーチームを指導したり、家族と一緒に自然散策を楽しんだりしています。

パーマインダーバティア はAWSHealth AIの科学リーダーであり、現在、臨床領域向けの深層学習アルゴリズムを大規模に構築しています。 彼の専門知識は、特に生物医学、生命科学、ヘルスケア技術において、低リソース設定での機械学習と大規模なテキスト分析技術にあります。 彼はサッカー、ウォータースポーツ、家族との旅行を楽しんでいます。

ガリンケスラー アマゾンウェブサービスのシニアデータサイエンスマネージャーであり、データサイエンティストとアプリケーションアーキテクトのチームを率いて、顧客にオーダーメイドの機械学習アプリケーションを提供しています。 AWS以外では、Georgetownで機械学習とニューラル言語モデルについて講義しています。 仕事をしていないときは、友人や家族と一緒に質の悪い音楽を聴く(そして作る)ことを楽しんでいます。

タハ・カス・ハウト博士 アマゾンウェブサービスの機械学習ディレクター兼チーフメディカルオフィサーであり、Amazon ComprehendMedicalやAmazonHealthLakeなどのヘルスAI戦略と取り組みを主導しています。 タハはまた、COVID-19ラボテストの科学、技術、規模の開発を担当するAmazonのチームと協力しています。 医師であり生物情報学者であるタハは、オバマ大統領の下で、FDAの最初の最高医療情報学責任者を含むXNUMXつの任期を務めました。 この間、公務員として、彼は新しいテクノロジーとクラウド(CDCの電子疾病監視)の使用を開拓し、広くアクセス可能なグローバルデータ共有プラットフォームであるopenFDAを確立しました。これにより、研究者と一般の人々が有害事象データを検索および分析できるようになりました。およびprecisionFDA(Presidential Precision Medicineイニシアチブの一部)。

コインスマート。 BesteBitcoin-ヨーロッパのBörse
ソース:https://aws.amazon.com/blogs/machine-learning/build-a-cognitive-search-and-a-health-knowledge-graph-using-amazon-healthlake-amazon-kendra-and-amazon-ネプチューン/

AI

本格的な自律型車両クラウドの準備  

公開済み

on

車両クラウドは、モバイルクラウド、従来型クラウド、車両を組み合わせたクラウドの一形態です。 (クレジット:ゲッティイメージズ) 

AIトレンドインサイダー、ランスエリオット   

どんな農民も、植えられた種子が成長するのに時間がかかることがあるとあなたに言うでしょう。 自動運転車(AV)の分野では、 車両の雲。 いつの日か、私の言葉に印を付けてください。車の雲は強力なレッドウッドの木になります。そして、それがすべてそのような控えめな方法で始まったという驚くべき側面を振り返るでしょう。   

この特殊な形式のクラウドコンピューティングがどのように発生しているかについて、拡大する方法について詳しく見ていきましょう。    

以前にコラムで示したように、クラウドコンピューティングの使用と、自動運転車の出現に統合されたクラウドの組み込みは、非常に重要な一致の前兆です。 私が自動運転車に言及するとき、おそらくより一般的に使用される言葉は自動運転車に言及することでしょう(今日の見出しは通常、いくぶん形式化された学術的なAVモニカを使用するのではなく自動運転に言及していることに注意してください)。 この議論の目的のために、自動運転の概念と自律走行車の概念は一般的に同じであると考えてください。 

自動運転車、自動運転トラック、自動運転オートバイ、自動運転ドローン、自動運転潜水艦、自動運転飛行機、自動運転船などがあります。 これらは日常の交通手段であり、AIベースの運転または操縦システムが機体のハンドルを握っています。 自律的であるという称賛された旗を獲得するための基礎は、車両が完全に機械によって操作され、人間の誘導による努力を必要としないためです。   

クラウドと組み合わせた自動運転車の特に注目すべき絡み合いは、OTA(Over-The-Air)電子通信を使用する機能を必要とします。 車両には、外界を検出するためのセンサーとともに、さまざまなオンボードコンピュータープロセッサとハードドライブまたは同様の電子指向のメモリ技術が搭載され、クラウドに接続するための通信デバイスが装備されます。   

OTAは、ソフトウェアアップデートを車両にダウンロードできるようにし、リモートアップデート機能を提供します。 さらに、車両によって収集されたデータをクラウドにアップロードできます。 収集可能な大量のデータの中でこれらの「ロービングアイ」を持つことの意味についての強い見解とともに、車両に保持する必要があるデータの量とクラウドにプッシュするデータの量についての議論が続いています。   

さて、これらの自動運転車があり、クラウドの使用を活用する予定です。   

クラウドは、自動運転車を介して最初に取得されたデータを保存する場所を提供できます。 また、クラウドは、他の方法では車両自体に容易に含まれない、広大で強力なコンピューティングリソースを利用できます。 車両内の計算処理機能は、自動運転活動に重点を置いています。さらに、クラウド内にあるような特大のスーパーコンピューティング領域ではありません。 

自動運転車の典型的なハイテククラウドベースのセットアップには、従来のクラウドコンピューティングを採用し、自動運転車へのアクセスと使用をクラウドの通常の要素に統合することが含まれます。 従来のクラウドの側面を自動運転車の仕様に合わせて調整するには、さまざまなカスタマイズされたコンポーネントが必要になる可能性があります。 

あなたは精神的に飛躍しているかもしれません、そしておそらくこの議論のこの時点でこの従来の雲は推定されていると仮定しているかもしれません 車両の雲 自動運転車の性質に磨きをかけているからです。 

申し訳ありませんが、それは完全に正確ではなく、話にはまだもう少しあります。 読み続けてください。 

まず、一般的にあまり知られていないクラウドの別のバリエーション、モバイルクラウドと呼ばれるものがあることに注意してください。   

モバイルクラウドは、従来のクラウドコンピューティングに通常関連付けられているものの一種の逆バージョンです。 従来のクラウドコンピューティングは、オンラインで利用でき、構成が一元化されているかのようにさまざまに収集されるコンピューターリソースと考えているに違いありません。   

さて、ここに少しひねりがあります。 

私たちが持ち歩いているモバイルデバイスが、利用可能なコンピューティングリソースのミニチュアバリアントであると想像してみてください。 スマートフォンは他の人とのテキストメッセージ送信に便利で、お気に入りの休暇の写真や撮影した壮大な自撮り写真をすべて保存できます。 あなたのポケットの中のそのスマートフォンは、計算機能を持ち、データを保存することもできるコンピューティングデバイスです。   

スマートフォンのメモリが不足しているためか、友人に写真の一部をスマートフォンに保存するように依頼したとします。 あなたはそれらの貴重な写真をあなたの友人に送ることができ、そして彼らは(願わくば)彼らのスマートフォンにそれらを忠実に保管するでしょう。 後で、あなたはあなたの友人に彼らをあなたに送り返すように頼むかもしれません。   

これは本質的にモバイルクラウドの基盤です。   

多くの友達全員に、(それぞれのスマートフォンを介して)計算リソースを互いに共有するという意味で、お互いに同じようにするように依頼することができます。 これらはモバイルデバイスです。 それらは、より大きな集合体またはクラウドの一部であるかのように扱われています。 そのため、この現象の適切な名前は、モバイルクラウドと呼ぶことです。 

さて、従来のクラウドがあり、モバイルクラウドの可能性もあります。 XNUMX種類の雲。 

真の雲であるという王冠を争っているように、これらは恐らく苦い敵であると誤解する人もいます。 それはナンセンスです。 これらは「クラウド」の適切なバリエーションであり、完全に共存し、連携して機能することができます。 いわば、ちらちらする猫や犬はいない。   

モバイルクラウドをうまくやってのけることを試みることは、鍬に苦労します。 

あなたがあなたの写真をあなたの友人と共有する最も単純なケースでさえ考えてください、そして彼らは今それらの写真を不注意に削除したり誰かに見させたりしないようにする責任があります。 モバイルクラウドは、それに関連付けられた西部開拓時代のように見える可能性があります。 これが、モバイルクラウドの出現をそれほど予告していない理由の一部です。   

いずれにせよ、私たちは今、 車両の雲.   

準備は完璧? 

自動運転車や自動運転トラックなどの新しい自律型車両は、コンピューターオンホイールとして特徴付けることができます。 自律運転またはAIベースの運転を実現するには、膨大な量のコンピューティング機能が必要になるため、これは理にかなっています。 人間が運転するとき、あなたは必ずしもオンボードのコンピュータの塊を必要としません。 AIベースの運転システムの場合、コンピューティング機能の大群を車両に搭載する必要があります。 

自動運転車または自動運転車は本質的に移動可能です。 それが彼らがしていることです。 これらを使用して、A地点からB地点まで移動します。そのような考え方では、自動運転車はモバイルデバイスであると言えます。 モバイルスマートフォンが場所から場所へと持ち運ばれるのと同じように、自動運転車があなたを場所から場所へと持ち運びます。   

この認識の重要性は、車両の運転以外の目的で車両内のコンピューターを活用できる可能性があることです。 これは、一部の人にとっては精神的なストレッチのようです。 おそらくこれが役立つでしょう。 車のトランクに、予備のボトル入り飲料水、ジャケット、キャンプ用品などのグッズを保管している可能性があります。 このように、あなたは車両を記憶媒体として使用しています。 

自動運転車には、多くのコンピュータメモリが搭載されています。 そのオンボードコンピュータメモリに写真を保存できる可能性があります。 写真を取得する必要があるときは、電子的な手段で車両に接続し、そこに保存した写真を取得するだけです。 これは、前に説明したモバイルクラウドの概念にいくぶん似ています。 

そのすべてを念頭に置いて、の定義 車両の雲 は、モバイルクラウド、従来のクラウド、および車両の組み合わせで構成されるクラウドの形式です。   

単純に述べた: 車両クラウド=従来型クラウド+モバイルクラウド+車両 

車両への言及は通常、自動運転車を意図しています。 自動運転車をデフォルトにする理由は、自動運転車がコンピューティングにぎっしり詰まっているためです。 そうは言っても、この領域には確かに半自動運転車も含める余地があります(それらには広範なコンピューティングリソースもあります)。 

次のことを明確にします。車両= 自動運転車+半自動運転車   

何が自律型と半自律型のどちらを構成するのか疑問に思っている場合は、自動運転車に関連する自律性のレベルをすばやく示すことで、必要な明確さを提供できる可能性があります。 

AI自動運転車に関する私のフレームワークについては、こちらのリンクを参照してください。 https://aitrends.com/ai-insider/framework-ai-self-driving-driverless-cars-big-picture/   

なぜこれがムーンショットの努力であるか、私の説明をここで見てください: https://aitrends.com/ai-insider/self-driving-car-mother-ai-projects-moonshot/   

リヒタースケールの一種としてのレベルの詳細については、こちらの説明を参照してください。 https://aitrends.com/ai-insider/richter-scale-levels-self-driving-cars/ 

レベルの分岐に関する議論については、ここの私の説明を参照してください: https://aitrends.com/ai-insider/reframing-ai-levels-for-self-driving-cars-bifurcation-of-autonomy/ 

自動運転のレベルを理解する   

明確にするために、真の自動運転車とは、AIが完全に自力で車を運転し、運転作業中に人間が支援しない車のことです。 

これらの自動運転車はレベル4およびレベル5と見なされますが、人間のドライバーが運転努力を共有する必要がある車は通常、レベル2またはレベル3と見なされます。運転タスクを共有する車はセミであると説明されます-自律型であり、通常、ADAS(Advanced Driver-Assistance Systems)と呼ばれるさまざまな自動アドオンが含まれています。   

レベル5の真の自動運転車はまだありません。これが達成できるかどうか、また到達するまでにかかる時間もわかりません。   

一方、レベル4の取り組みは、非常に狭く選択的な公道の試験を実施することで徐々に牽引力を獲得しようとしていますが、この試験自体を許可するかどうかについては論争があります(私たちはすべて実験で生死にかかわるモルモットです)私たちの高速道路や小道で行われている、いくつかの主張)。 

半自律型の車には人間のドライバーが必要なため、これらのタイプの車の採用は、従来の車の運転とそれほど変わらないため、このトピックについて取り上げるのはそれほど新しいことではありません(ただし、次に、次のポイントが一般的に適用されます)。  

半自律走行車の場合、最近発生している不快な側面について、つまり、レベル2またはレベル3の車のホイールで眠りにつく自分のビデオを投稿し続ける人間のドライバーにもかかわらず、一般の人々に事前に警告する必要があることが重要です。 、私たちは、ドライバーが半自律型の車を運転しているときに、運転タスクから注意をそらすことができると信じ込まされないようにする必要があります。 

レベル2またはレベル3に自動化がどれだけ投じられるかに関係なく、あなたは車両の運転行動の責任者です。   

レベル4およびレベル5の本当の自動運転車両の場合、運転タスクに人間のドライバーは関与しません。 乗客はすべて乗客となります。 AIが運転を行っています。 

自動運転車の遠隔操縦または操作が一般的に避けられる理由については、ここで私の説明を参照してください: https://aitrends.com/ai-insider/remote-piloting-is-a-self-driving-car-crutch/

自動運転車に関する偽のニュースに警戒するには、ここに私のヒントを参照してください: https://aitrends.com/ai-insider/ai-fake-news-about-self-driving-cars/ 

AI駆動システムの倫理的影響は重要です。ここで私の指摘を参照してください。 https://aitrends.com/selfdrivingcars/ethically-ambiguous-self-driving-cars/   

自動運転車に関しては、逸脱の正規化の落とし穴に注意してください。これが私の武器への呼びかけです。 https://aitrends.com/ai-insider/normalization-of-deviance-endangers-ai-self-driving-cars/   

車両の雲を掘り下げる 

車両クラウドについてのポイントに戻ると、従来のクラウドとモバイルクラウドの概念が巧妙に組み合わされており、半自律型から自律型までの車両が含まれています。   

なぜ世界で車両で利用可能なコンピューティングを利用しようとするのか疑問に思う人もいます。 これは一見すると完全に直感に反しているように見えます。 自動運転を実行して、車両にそのことをさせて、それをXNUMX日と呼んでください。   

おそらく卑劣な答えのXNUMXつは、人々が山に登る理由、つまり山がそこにあるためです(確かに古い冗談です)。   

今日の自動車の使用は、かなり無駄になっている、または非常に十分に活用されていない経済的および社会的資産です。 ほとんどの車は、利用可能な使用時間の約95%からおそらく98%の間座っています。 あなたはあなたの車を運転して仕事をし、あなたの車を駐車します。 それはあなたのXNUMX時間のシフトまたはより長い労働日の間そこに未使用のままです。 あなたは車で家に帰り、車をガレージに駐車します。 夜間と翌朝使用されるまで未使用のままです。   

交通手段として、あなたの車はひどく未開発です。 

多数の最先端のコンピューティングリソースを車両に投入します。 輸送を実現するためだけのものではないリソースを追加しました(コンピューターの一部は自動運転機能に固有のものですが、コンピューターは他の目的にも使用できます)。   

そのため、便利なコンピューティングリソースがぎっしり詰まっていて、駐車場やガレージにその時代の圧倒的な勢いで座っている場合、それらは悲しいことに無駄になっているか、使用できるコンピューティングリソースが十分に活用されていません。   

利用可能なコンピューティングの一形態として、自動運転車はひどく未開発になる可能性があります。   

そのコンピューティングを他の有用な目的に使用することができます。 そのためには、どういうわけかそれらを接続し、その膨大な数のコンピューティングを賢明かつ体系的に利用できるようにする必要があります。 へようこそ 車両の雲. 

はい、それは理にかなっています。 現代の車両で利用可能なコンピューティングを活用することは、経済的および社会的に賢明です。 

生のコンピューティング馬力を直接利用できます。 集合的に利用可能なコンピューティングは、最終的には巨大になるでしょう。 米国だけでも約250億XNUMX万台の在来車があり、最終的には自動運転車に取って代わられると予測されています。 これは一夜にして起こりません。 徐々に、従来の自動車は廃止され、自動運転車の普及は数十年にわたって増加するでしょう。   

既存の250億XNUMX万台の従来型自動車と同等の輸送ニーズを達成するために、自動運転車が何台必要になるかはまだわかりません。 一部の専門家は、今日の主にアイドル状態の従来型車のセットをカバーするために必要な自動運転車ははるかに少ないと主張しています。 他の専門家は、自動運転車が利用可能になると、地上輸送の使用が大幅に増加すると予想しています。したがって、需要の誘発要因により、自動運転車が必要になる可能性があります。   

生の計算能力に加えて、自動運転車に搭載される感覚デバイスの使用もあります(そして、ある程度、半自律型にも含まれます)。 理論的には、感覚デバイスを使用すること、または少なくともおそらく感覚デバイスが提供するデータを使用することを利用することが可能です。 このデータを、道路インフラの安全性や不動産分析など、無数の方法でどのように使用できるかについての私の議論を参照してください。   

ODDの詳細については、こちらのリンクをご覧ください。 https://www.aitrends.com/ai-insider/amalgamating-of-operational-design-domains-odds-for-ai-self-driving-cars/ 

オフロード自動運転車のトピックについて、私の詳細は次のとおりです。 https://www.aitrends.com/ai-insider/off-roading-as-a-challenging-use-case-for-ai-autonomous-cars/ 

自動運転の自動車メーカーに最高安全責任者がいる必要があることを私は強く主張しました、これがスクープです: https://www.aitrends.com/ai-insider/chief-safety-officers-needed-in-ai-the-case-of-ai-self-driving-cars/ 

訴訟が次第に自動運転車産業の重要な部分になることを期待してください、ここで私の説明の詳細を見てください: https://aitrends.com/selfdrivingcars/self-driving-car-lawsuits-bonanza-ahead/ 

結論   

もちろん、車両のクラウドには課題があります。 

自動運転車のコンピューティングを利用すると、運転や水先案内のタスク中に「気が散る」原因になるのではないかと心配する人もいます。 円周率の値をzillionth桁まで計算しようとすることは、車両が世界を安全に通過することを確認することよりもはるかに重要ではありません。 自動運転車を開発している人は、運転用のコンピューティングリソースに最高の優先順位を与える必要があり、車両の進行中に他の要求をブロックしたり、拒否したりする必要があります。   

もうXNUMXつの懸念は、この車両内のコンピューティングリソースの活用により、サイバー犯罪者によるコンピューターウイルスの移植が可能になるかどうかです。 自動運転車内で悪意のあるウイルスが何を達成する可能性があるかを考えると、身震いします。 

しかし、これはすでに自動運転車開発者の最前線になければならないものです。 車両の雲をミックスに追加しても、車両の雲がなければリスクがないことを意味するわけではありません。 自動運転車に含まれるOTAを介して、車載システムを破壊しようとする方法はたくさんあります。 重要なのは、自動運転車の適切なセキュリティ対策をすでに含める必要があるということです。 

自動運転車がとにかく利用可能な「追加の」コンピューティングをたくさん持つかどうかについても、興味深い側面があります。   

これがロジックです。   

人間が運転する車両は、人間のドライバーのニーズに左右されます。 人間の運転手は疲れて運転をやめなければなりません。さもないと、不規則で危険な運転になります。 人間の運転手は、食べ物やトイレの使用などのために休憩が必要です。 自動運転車は、このような休憩を必要としません。 おそらく、自動運転車は、給油とメンテナンスの制限を条件として、24時間7日稼働する可能性があります。 一般的な想定では、自動運転車は継続的に運転され、乗客の乗車要求を待っている間、走り回っています。   

その場合、利用可能な時間の優位性のために使用されていない車両について心配する必要はもうありません。 そして、論理は、コンピューティングリソースも同じ程度に利用される、つまり、それらは運転の雑用に集中し、他の目的には利用できないということです。   

もちろん、自動運転車は常に外出先にあるというこの信念や主張が有効かどうかはわかりません。 多分彼らはそうなるでしょう。 多分彼らはそうしないでしょう。 外出中であっても、これは必ずしもすべてのコンピューティングリソースが運転の雑用に吸収されていることを意味するわけではありません。 

これはすべて、運輸の未来、そして同様にコンピューティングとクラウドの未来について考えるための興味深い食べ物を提供してくれることを願っています。 これをVehicularCloud(VC)と呼ぶ人もいれば、Vehicle Cloud Computing(VCC)と呼ぶ人もいれば、Autonomous Vehicle Cloud(AVC)の表現を署名の命名として使用することを好む人もいます。   

あなたがこれを何と呼ぼうとも、それは大きくなる可能性があります。 巨大なサイズに成長する雄大なレッドウッドの木のように、 車両の雲 同様に高揚しているように見えます。   

Copyright 2021ランス・エリオット博士 http://ai-selfdriving-cars.libsyn.com/website 

コインスマート。 BesteBitcoin-ヨーロッパのBörse
出典:https://www.aitrends.com/ai-insider/getting-ready-for-the-full-blown-autonomous-vehicular-cloud/

続きを読む

AI

AIと自動化がどのように顧客サービスを向上させるか

公開済み

on

現在、すべての業界が人工知能と自動化のメリットを認識し始めています。 AIと自動化は、運用品質の向上、エラーの削減、強化に役立ちます 顧客満足体験、コストを削減し、利益を増やします。

「AIとカスタマーサービスの自動化は、エクスペリエンスの向上に関して企業が正しいアプローチを取るのに役立ちます。」 

カスタマーサービスは、カスタマーエクスペリエンスの重要なサブセットです。 あなたが顧客を維持することができるのは、顧客サービスを改善することによってのみです。 現場でのAIと自動化は、カスタマーサービスの旅を改善し、サービスの品質を向上させるのに役立ちます。 

たとえば、会話型AIやチャットボットは、追加の人員がいなくてもカスタマーサービスの仕組みに革命をもたらしています。 カスタマーサービスエージェントデスクから価値の低いタスクを削除できます。 これにより、彼らはより多くのニーズがあるところに集中することができます。 また、より多く利用できるようになるため、これは人間のタッチの概念を改善するのに役立ちます。

たとえば、顧客の認証、通話の転送、製品の予約、クエリの要求などの簡単なタスクの自動化。調査によると、米国の顧客の6人に10人は、ビデオ通話ではなくセルフサービスツールをデジタルで使用して問題を解決しています。またはチャット。 

AIと自動化がカスタマーサービスに与える影響

AIと自動化が顧客サービスに与える影響は無視できません。 AIと自動化がカスタマーサービスとカスタマーエクスペリエンスに影響を与える主な方法のいくつかを次に示します。 

パーソナライズドコンテンツ 

今日の世界では、企業は顧客を優先事項として維持する必要があります。 企業は採用しています 売り上げを伸ばすAI技術。 顧客は助けを求めており、これがAIチャットボットができることです。 彼らは人間の行動と人間の相互作用から学びます。 AIチャットボットはパーソナライズにも役立ちます。 彼らは人ごとに文脈を理解し、コミュニケーションを取ります。

AIと自動化が有効なチャットボットは、以前の会話を識別して呼び出すことができるため、未完成のビジネスを迅速に支援します。 パーソナライズは、顧客サービスの相互作用を改善し、繰り返し購入を促進し、コンバージョン率を改善し、顧客満足度を高めることができます。 情報を簡単に理解し、カスタマイズされた顧客体験を提供するための準備を整えることができます。  

予測インテリジェンス 

AIを活用したカスタマーサービスは、より良いデータ決定を行うための実行可能な方法です。 AIは、別の会社に移行する可能性のある顧客を特定するのに役立ちます。 AIはより良い保持を提供し、顧客が滞在することを奨励します。

AIは、潜在的な顧客が誰であるかを知るのに役立ちます。 ターゲットを絞ったコミュニケーションを行い、購入する準備ができている顧客を見つけて、問題を積極的に解決することができます。 予測インテリジェンスとは、顧客に焦点を合わせ、特定の時点でどこに行くか、どこにいるかを追跡することを意味します。 

カスタマーサービスメッセージングの自動化

AIと自動化により、迅速かつ迅速な顧客対応が期待できます。 顧客は迅速な回答を求めています-あなたはそれを改善することができます。 顧客は非常に要求が厳しいです。 優れた自動メッセージングが彼らを助けることができます。

これは、彼らが彼ら自身の問題を解決するのを助ける自助サービスを意味するかもしれません。 また、電話、電子メールなどのカスタマーサービス機能を改善することもできます。セルフサービスはより高速でエラーがありません。 セルフサービスとAI技術を使用して問題を解決できるため、待ち時間はありません。 

事業運営を改善する 

AIは、運用の改善とプロセスの合理化に役立ちます。 顧客からの問い合わせをより適切に処理し、リアルタイムのソリューションを提供できます。 AIの進歩は、自動化の統合、反復タスクの削減、反復タスクへのストレスの軽減につながる可能性があります。 あなたは改善することができます 事業運営 AI対応の顧客エンゲージメント。

繰り返しの概念を減らすこともできます。 この繰り返しは、顧客のフラストレーションを高めます。 この摩擦は、AIと自動化によって減らすことができます。 チャットボットは、顧客が自分のカテゴリとそれが該当する問題を見つけるのにも役立ちます。 通話では、75%近くの時間が手動調査に費やされており、調査によると、価値に基づくやり取りに使用できます。  

コミュニケーションの改善

AIと自動化により、コミュニケーションを改善できます。 価値のあるカスタマーサービス調査を自動的に送信できます。 調査を通じて、顧客にとって何が効果的かを見つけることができます。

その後、これを彼らに伝えて、彼らの視点を理解することができます。 多肢選択式のような顧客サービス調査、世論調査は、品質と量の観点から顧客を扱うことができます。 チャットボットを使用してコミュニケーションを改善できます。 これらのチャットボットは、会話の質を向上させるのに役立ちます。 

一度だけトレーニングが必要 

カスタマーサービスエージェントの採用とトレーニングには、費用と時間がかかります。 簡単ではありません。 これらのトレーニングと採用のコストは、顧客の数とともに増加する可能性があります。 AIと自動化ソリューションは、ここで大幅なコスト削減を実現できます。 質問に答えるために必要なリソースをロードして、売上高を減らすことができます。

AIを使用すると、あらゆる業界やドメインで役立つ知識を身に付けることもできます。 これは、要件に応じて再構成できる強力な機能です。 これにより、多くの会話を自動化できるため、人間のサポートエージェントはやりがいのある作業に集中できます。 

運用コストを削減 

AIやMLなどの新しく革新的なテクノロジーは急速に進歩しています。 人工知能は、ビジネス機能を改善し、効率を合理化し、利益の改善につながります。 AIは大量の作業を処理でき、コンバージョンと収益の増加につながります。 AIはまた、出力を保持しながら、効果的な方法でコストを処理します。

自動化を統合すると、エラーの可能性が減り、セキュリティが向上します。 AIは、運用コストを削減し、それによって成功を向上させることによっても影響を与える可能性があります。 チャットボットはまた、ビジネスをスケーラブルにする力を与えます。 これは、別のサーバーに切り替えることで機能します。 ボットを微調整して現地の言語で通信しながら、地理的な境界のない方法で作業できます。 

24 / 7サポート 

AIと自動化により、企業は24時間年中無休で顧客にサポートを提供することが簡単になりました。 顧客は、必要なときにビジネスを利用できることを求めています。 7時間年中無休のカスタマーサポートは、一部の企業にとって難しいことを意味する場合があります。 これは、カスタマーサービスエージェントが利用可能になるように過度の圧力をかけることを意味する場合があります。

AIカスタマーサービスエージェントには、人間のエージェントに比べて多くの利点があります。 彼らは疲れていないし、感情も感じず、休憩も必要なく、会社を辞めず、簡単に不満を感じることもありません。 これは、仕事のストレスの多い性質のために離職率が高いカスタマーサービスのようなスペースで特に必要です。 

カスタマーサービスAIと自動化の種類

  • ニュアンス、ミア、アバイアなどのコンタクトセンターソフトウェアソリューション
  • Amazon Connect、IBMWatsonなどのプラットフォームインフラストラクチャプロバイダー 
  • msg.ai、True AI、AugmentAIなどのボットスタートアッププロバイダー
  • Nuance、IPSoft、NextITなどの自動応答ソリューション 
  • Sprinklr、SpredfastなどのソーシャルメディアAIソリューション 
  • Cisco、Genesys、Solvvyなどのチケットルーティングソリューション 

ボトムライン 

AIと自動化は、人間に取って代わるものではありません。 代わりに、それはより良く働くために人間の知性を増強するためにここにあります。 たとえば、ライブチャットエージェントは、さまざまな地理的境界からの質問に24時間年中無休で回答することはできません。 しかし、AIと自動化はそれを助けることができます。 ツールはそのすべての情報を記憶し、正しいものにします サポートする選択肢 顧客。

実際、コンシェルジュのCEOは、AIチャットボットによって銀行の問題が75%減少したと述べています。 ほぼすべてのフォーチュン500企業は、その計り知れないメリットのために、カスタマーサービスにAIを優先しています。 AIを仕事への脅威と見なす人もいますが、AIは思い出に残るカスタマーエクスペリエンスを提供するのに効果的であることに注意する必要があります。 

また、読む AIは売り上げの向上に役立ちますか

コインスマート。 BesteBitcoin-ヨーロッパのBörse
出典:https://www.aiiottalk.com/ai-and-automation-for-better-customer-service/

続きを読む

人工知能

ハイパースケーラー、エッジ、クラウド:それはどういう意味ですか?

公開済み

on

ハイパースケーリング
イラスト:©IoT For All

IoTの普及に伴い、接続技術とコンピューティング技術はますます多様化しています。 IoTエコシステムを強化する方法はたくさんあるように思われるかもしれません。また、流行語の誇大宣伝を切り抜けて、独自のビジネスケースにとってそれが何を意味するのかを理解するのは難しい場合があります。

ハイパースケーラーとは何ですか?

この用語は、データを処理するアジャイルな方法であるハイパースケールコンピューティングに由来します。 データトラフィックに応じて、スケールは急速に増減する可能性があります。 ハイパースケーラーはこのコンピューティング手法を採用し、変動する需要に対応するためにデータセンターとクラウドに適用しました。

ビジネスの主要なハイパースケーラーは、デジタルプラットフォームを求める企業に対応するためのIaaS(Infrastructure as a Service)を提供しています。 基本的に、ハイパースケーラーは物理インフラストラクチャを管理し、エンドユーザーは仮想化されたコンピューティングインフラストラクチャをカスタマイズします。

テクノロジースタックのインフラストラクチャ層は、コンピューティング能力が存在する場所です。 IoTは、IoTプラットフォームの構築に投資し始めているハイパースケーラーやテレコムの間で注目を集めています。 アン IoTプラットフォーム IoTソリューションをより早く市場に投入し、展開までのプロセスを合理化するのに役立ちます。

これは、テクノロジー分野におけるIoTの重要性に対する重要なうなずきですが、ハイパースケーラーがIoTプラットフォームを開発した最初の企業ではないことは確かです。 クラウドサービスプロバイダーのIoTプラットフォームを使用することの利点とIoTの専門家を比較することの利点を調査することが重要です。

クラウドまたはエッジを使用したIoTインフラストラクチャ

IoTセンサーとデバイスはデータの収集を担当し、接続はデータの通信を担当します。 データを計算するインフラストラクチャの部分は、クラウドまたはエッジのいずれかです。

クラウドは、データを処理するための一元化されたアプローチであり、電力と容量に適しています。 これにより、企業のスケーラビリティが可能になり、従量課金制モデルにより、コンピューティングインフラストラクチャ全体を社内で構築したくない小規模な組織にとって手頃なアプローチになります。

エッジコンピューティング データの計算速度が速いため、人気が高まっています。 エッジからクラウドにデータを送信する代わりに、データはエッジで直接計算されます。 ただし、エッジにはいくつかの意味があります。

  • Telcoエッジ: 電話会社のエッジでのコンピューティングは、モバイルセルサイトや近くのデータセンターの近くにあり、クラウドと組み合わせて配置されています。 これは、データセンターの低遅延とバックホールの削減のメリットをクラウドのスケーラビリティとモビリティに結び付けます。
  • ネットワークエッジ: ネットワークエッジは、より低い遅延とより高いスループットと信頼性を通じて需要を満たすためのスケーラビリティと敏捷性を提供します。 ネットワークエッジはネットワークコアの外側にあり、データセンター、ルーター、および固定ワイヤレスアクセスで構成されます。
  • デバイスエッジ: エッジデバイスはセンサーを介してデータを収集し、デバイス自体が計算するため、これはXNUMXつの中で最速のエッジコンピューティングオプションになります。

クラウドvs.エッジ:どちらを選択しますか?

エッジとクラウドのどちらを選択するかということになると、スピードとコストに要約されます。 ロボット工学における人工知能と機械学習は、エッジコンピューティングが最も理にかなっているユースケースです。 遅延の許容度が低い場合は、デバイスレベルに近い処理が理にかなっています。 また、自動運転車などのユースケースでは、自動化されたプロセスでマシンからの反応時間が遅くなると、災害が発生する可能性があります。

ただし、すべてのIoTユースケースがミッションクリティカルであるわけではなく、遅延は主要な要因ではありません。 たとえば、スマートアグリゲーションは、低速のプロセッサを搭載した低電力デバイスがデータ集約の中核であるため、エッジデバイスにコストをかけたり、ネットワークや電話会社のエッジを開発したりすることはありません。

コインスマート。 BesteBitcoin-ヨーロッパのBörse
出典:https://www.iotforall.com/hyperscalers-the-edge-and-cloud-what-does-it-all-mean

続きを読む

AI

AIでアイデンティティガバナンスをサポートする方法

公開済み

on

著者の詳細については、ここをクリックしてください ジャクソンショー.

ソフトウェア業界は、 人工知能(AI) 何年もの間、セキュリティ、特にIDガバナンスおよび管理(IGA)セクターも例外ではありません。 そのため、問題は、ソフトウェアがAI対応であるかどうかではなく、実際にビジネスにどのような価値を提供しているかということになります。 

コンプライアンスを例にとってみましょう。 今日の企業は、必要に応じて、個人が適切なアプリケーションと制限に適切にアクセスできるようにする必要があります。 IGAソリューションはこれを実現し、AIを活用してプロセスを自動化できます。 しかし、結果はデー​​タと同じくらい良いものであり、ITチームがアクセスと特権の全範囲を見るのを妨げる組織のサイロがある場合、AIはあまり役に立ちません。 

その理由は次のとおりです。どのIGAソリューションでも、必要な情報や必要な情報にアクセスしすぎるユーザーを見つけることができます。 しかし、これは戦いの半分にすぎません。 統合された全社的なデータが利用可能でなく、AIと 機械学習 それを処理するテクノロジーでは、アクセスに関連する潜在的な脆弱性についての洞察を提供することはできません。 これらの問題がどこから発生しているのか、それが時代遅れのITポリシーであるか、不明であるかを完全に把握することはできません。 セキュリティの脅威 –それはどのような用途ですか? 

この運命を回避し、可能な限り最高の結果を得るには、企業は組織全体からサイロ化されたデータをブリッジする方法を見つける必要があります。 手動プロセスと不十分に統合されたビジネスシステムは、脅威に対応する企業の能力をますます妨げています。 IDガバナンスシステムの自動化は、これに対抗するための優れた最初のステップです。 自動化を適切に使用することで、コンプライアンスの取り組みが支援され、マネージャーは、企業内の特定のユーザーおよびグループに最適なアクセスレベルを可視化して制御できます。 

これらの規定が整ったら、IGAソリューションは、誰が何にアクセスできるかを全体的に把握し、AIを活用して、正しいと思われるものを自動承認し、間違っていると思われるものにフラグを立てることができます。 これはコンプライアンスとセキュリティに役立つだけでなく、大幅な時間の節約にもなります。 管理者は、何千ものアクセス要求を分析する代わりに、その一部を確認して、より効率的に実行できます。 

これが、多くの組織がIGAプログラムの管理にITサービス管理(ITSM)プラットフォームを利用している理由の一部です。 これらの機能を組織の既存のシステムに統合することにより、ITチームは、すべてのエンタープライズシステムのコンテキストでIDとアクセスの全範囲を確認できます。 この場合、AIはより多くのユースケースに適用できるため、より良い結果が得られます。 これにより、ビジネスの全体的なIGAとセキュリティが向上するだけでなく、セキュリティ運用(SecOps)、ガバナンスリスク管理とコンプライアンス(GRC)、およびインシデント管理プロセスにもメリットがあります。

たとえば、IGAは、アクセスレビューおよびワークフローの承認中にアクティブなGRCコントロールを検証し、承認と競合する可能性のあるポリシーを確認できます。 これにより、ユーザーが管理ポリシーを順守していることを示す証拠の収集を自動化し、監査目的でさらに分析が必要かどうかを判断できます。 さらに一歩進んで、AIの有効化は、アクセス要求を変更管理項目と関連付けるのに役立ちます。これにより、アクセス変更が無関係になるシステム変更の前にアクセス変更が行われないようにします。

さらに、AIを利用したIGAは、アクセス要求を、リクエスターのマシンに存在する既知のセキュリティインシデントまたは脆弱性と関連付けることができます。 これにより、ユーザーのマシンが危険にさらされた場合に、SecOpsがアクセス許可を可視化するのに役立ちます。 これにより、すべてのアカウント権限を即座に停止できるようになり、違反が他のマシンに広がるのを防ぐことができます。 脅威からの保護に関しては時間が重要であるため、これは非常に価値があります。

より優れたGRCおよびSecOpsプロトコルは、AI主導のIGAプログラムの肯定的な副産物の一部ですが、真の価値は、組織がIDガバナンスに積極的なアプローチを取ることを可能にすることです。 チームは、事後対応型のセキュリティとコンプライアンスのスタンスをとったり、火から火へと走ったりするのではなく、情報に基づいた意思決定を行うためにすでに必要なデータを活用し、開始前に問題を防ぐためのアクションを実行できます。 

コインスマート。 BesteBitcoin-ヨーロッパのBörse
出典:https://www.dataversity.net/how-to-support-identity-governance-with-ai/

続きを読む
エスポート24時間前

World of Warcraft 9.1のリリース日:いつですか?

航空4日前

デルタ航空のフライトは、手に負えない非番の客室乗務員を介してオクラホマに迂回します

航空4日前

スピリット航空は、ラガーディアの境界ルールを解除するための最良の主張をしたばかりです

エスポート2日前

クラッシュ・オブ・クラン2021年XNUMX月パッチノートを更新

Blockchain4日前

アフリカは 2 年のビットコイン P2021P 取引量の伸びをリード

航空3日前

ボーイング727が高級ホテル体験に変わる

賭博4日前

Forza Horizo​​n 5が発表され、9月XNUMX日に発売

ビッグデータ3日前

エルサルバドルのビットコインビーチタウンでは、デジタルデバイドが浸透を遅らせている

Blockchain4日前

リップル価格分析:リップルは0.80ドルのサポートを再テストし、さらに引き上げる準備をしていますか? 

HRTech2日前

中古の高級車ディーラーLuxuryRideは、成長を後押しするために機能全体で80人の従業員を追加します

Blockchain4日前

Binanceは分散型NFTプラットフォームを立ち上げています

Blockchain3日前

法定通貨としてビットコインを採用して以来、世界はエルサルバドルに注目しています

Crowdfunding5日前

ニューヨークを拠点とする稼得賃金FintechClairは、ギグエコノミーワーカーを支援するために15万ドルを確保

Blockchain4日前

デジタルが物理的に変わる: 2021 年に直接訪問する NFT のトップ ギャラリー

Blockchain4日前

Dogecoinは、売り手がさらに短くすると脅迫するため、より多くの需要ゾーンに侵入します

エスポート5日前

ジュラシックワールドエボリューション2リリース日:いつですか?

Blockchain2日前

元PayPal従業員が国境を越えた支払いシステムを開始

エネルギー1日前

XCMG dostarczaponad100sztukżurawidostosowanychdoregionugeograficznegodlamiędzynarodowychklientów

Blockchain4日前

DeFiディープダイブ—雪崩、XNUMX秒未満でのDeFi

航空4日前

デルタ航空のエアバスA320が複数の問題を抱えてミネアポリスに戻る

トレンド