Data science

ได้ยินบนถนน – 10/19/2021

ยินดีต้อนรับสู่คอลัมน์สรุป “Heard on the Street” ของ InsideBIGDATA! ในคุณสมบัติปกติใหม่นี้ เราเน้นย้ำข้อคิดเห็นเกี่ยวกับความเป็นผู้นำทางความคิดจากสมาชิกของระบบนิเวศข้อมูลขนาดใหญ่ แต่ละฉบับครอบคลุมแนวโน้มของวันด้วยมุมมองที่น่าสนใจที่สามารถให้ข้อมูลเชิงลึกที่สำคัญเพื่อให้คุณได้เปรียบในการแข่งขันในตลาด เราขอเชิญส่งผลงานโดยเน้นที่หัวข้อเทคโนโลยีที่เราชื่นชอบ: ข้อมูลขนาดใหญ่ วิทยาศาสตร์ข้อมูล การเรียนรู้ของเครื่อง AI และการเรียนรู้เชิงลึก สนุก! ประกาศ IPO ล่าสุดของ Informatica ความเห็นโดย Matthew Scullion ซีอีโอของ Matillion “การยื่นขอ IPO ของ Informatica เน้นให้เห็นถึงความต้องการที่เร่งตัวขึ้นอย่างรวดเร็วสำหรับการผนวกรวมข้อมูล ในโลกที่ข้อมูลได้กลายเป็นสินค้าโภคภัณฑ์ใหม่ ในความเป็นจริงที่ข้อมูลกำลังเปลี่ยนแปลงทุกแง่มุมของการทำงาน การใช้ชีวิต และการเล่นของเรา และปรากฏการณ์ดังกล่าวได้เร่งตัวขึ้นหลังเกิดโรคระบาดเท่านั้น เนื่องจากบริษัทต่าง ๆ ต่างแข่งขันกันเพื่อแปลงเป็นดิจิทัลและเป็นผู้นำข้อมูลมากขึ้น แต่ความต้องการนี้ส่วนใหญ่ถูกขับเคลื่อนในระบบคลาวด์ ซึ่งหลักปฏิบัติเดิมสำหรับการย้าย การแปลง การซิงโครไนซ์ และการประสานข้อมูลจะไม่มีผลอีกต่อไป ในขณะที่องค์กรต่างๆ ยังคงนำข้อมูลไปใช้ทำงานบนคลาวด์ พวกเขาจะมองหาโซลูชันที่ถือกำเนิดและสร้างขึ้นสำหรับคลาวด์” เพื่อให้การลงทุนด้านข้อมูลประสบความสำเร็จ องค์กรจำเป็นต้องให้ความสำคัญกับความสมบูรณ์ของข้อมูล ความเห็นโดย Christal Bemont, CEO, Talend “อุตสาหกรรมการจัดการข้อมูลกำลังพัฒนา เนื่องจากบริษัทจำนวนมากขึ้นตระหนักดีว่าการขับเคลื่อนด้วยข้อมูลเป็นสิ่งจำเป็นสำหรับความสำเร็จของพวกเขา การตระหนักรู้นี้ได้ทำให้ข้อมูลทั้งหมดกลายเป็นจุดสนใจ ตั้งแต่ Gartner ตั้งชื่อ data fabric เป็นเทคโนโลยีที่เกิดขึ้นใหม่ในรายงาน Hype Cycle ประจำปี ไปจนถึงการยื่น Informatica สำหรับการเสนอขายหุ้น IPO อย่างไรก็ตาม ตลาดการจัดการข้อมูลมีการเปลี่ยนแปลงโดยพื้นฐานตั้งแต่ Informatica เป็นสาธารณะครั้งล่าสุด วันนี้ 78% ของผู้บริหารยังคงเผชิญกับความท้าทายในการทำงานกับข้อมูลเพื่อการตัดสินใจอย่างมีประสิทธิภาพ และโซลูชันข้อมูลส่วนใหญ่ในตลาดปัจจุบันไม่ได้ การแก้ปัญหาที่ถูกต้อง การรวมข้อมูลไม่สามารถประสบความสำเร็จได้หากปราศจากคุณภาพของข้อมูลและการกำกับดูแล และกลยุทธ์ข้อมูลองค์กรที่ประสบความสำเร็จไม่ได้เป็นเพียงการย้ายข้อมูลอีกต่อไป มันเกี่ยวกับการให้ข้อมูลที่ดีซึ่งทุกคนสามารถไว้วางใจและเข้าถึงเพื่อเป็นแนวทางในการตัดสินใจทางธุรกิจที่ชาญฉลาด ซึ่งท้ายที่สุดแล้วจะเป็นการขับเคลื่อนความสำเร็จขององค์กร” การวิเคราะห์และปฏิกิริยาของคำให้การของ Frances Haugen คำอธิบายโดย Jenny Lee หุ้นส่วนที่สำนักงานกฎหมาย Arent Fox LLP “สิ่งที่โดดเด่นที่สุดเกี่ยวกับการร้องเรียนของ Haugen ต่อสำนักงานคณะกรรมการกำกับหลักทรัพย์และตลาดหลักทรัพย์คือสิ่งที่พวกเขาเปิดเผยว่าขาดในระบบกฎหมายของสหรัฐฯ พวกเขาเป็นกลไกทางอ้อมในการเผชิญหน้ากับข้อกังวลที่มีอยู่ ข้อบังคับของ ก.ล.ต. กล่าวถึงความเสียหายที่เกิดกับนักลงทุน ไม่ใช่ผู้บริโภค เด็ก หรือผู้ใช้โซเชียลมีเดีย ดังนั้นหัวใจของการร้องเรียนของสำนักงาน ก.ล.ต. จึงได้รับจากการบิดเบือนความจริงที่ Facebook กล่าวหาว่าทำกับนักลงทุน สิ่งที่ขาดหายไปในสหรัฐฯ ณ ขณะนี้คือหน่วยงานกำกับดูแลของรัฐบาลกลางใดๆ ที่สามารถเรียกใช้กระบวนการหรือคำแนะนำเพื่อช่วยดูแลความประพฤติขององค์กรที่ส่งผลต่อประเด็นด้านการคุ้มครองผู้บริโภค การคุ้มครองเด็ก หรือผู้ใช้เนื้อหาออนไลน์ ตามคำให้การของคณะกรรมการพาณิชย์ ภารกิจส่วนหนึ่งของผู้แจ้งเบาะแสคือการให้สภาคองเกรสดำเนินการเพื่อสร้างระบอบการปกครองใหม่ หรือชี้แจงกฎการคุ้มครองผู้บริโภคหรือกฎการสื่อสารที่มีอยู่ เพื่อกำหนดข้อจำกัดที่สำคัญเกี่ยวกับผลิตภัณฑ์โซเชียลมีเดีย—เช่น ข้อจำกัดที่เราไม่มีในปัจจุบัน รายงานผู้แจ้งเบาะแสของ Haugen เกิดขึ้นในช่วงเวลาที่ข้อกังวลด้านการคุ้มครองผู้บริโภคหลายข้อกำลังรวมตัวกันในหลายพื้นที่: การแสดงออกทางการเมืองทางออนไลน์ การกลั่นแกล้งทางออนไลน์ ข้อมูลสาธารณสุข/การระบาดใหญ่หรือประชาธิปไตย อันตรายต่อความสนใจและเศรษฐกิจ รวมถึงกฎความเป็นส่วนตัวของข้อมูล ในซิลิคอนแวลลีย์ ผู้เชี่ยวชาญในพื้นที่นี้โดยเฉพาะในด้านใหม่ของ “เศรษฐกิจที่ให้ความสนใจ” ได้เขียนเกี่ยวกับประเด็นเหล่านี้มาหลายปีแล้ว ในท้ายที่สุด รายงานของ Haugen ที่เน้นไปที่อัลกอริธึมที่แตกแยกและผลกระทบของ Instagram ต่อเด็กผู้หญิงเป็นตัวอย่างระดับจุลภาคของปัญหาที่กว้างขึ้นซึ่งเป็นหัวข้อที่ถกเถียงกันมานานในหมู่ทหารผ่านศึกในอุตสาหกรรมเทคโนโลยี และตอนนี้เพิ่งเริ่มมีการถกเถียงกันใน Capitol Hill และในหมู่ หน่วยงานกำกับดูแลเกี่ยวกับวิธีการดูแลผลิตภัณฑ์ใหม่ บริการโซเชียลมีเดีย เป็นเวลาที่เจ็บปวดอย่างยิ่งสำหรับผู้มีส่วนได้ส่วนเสียทั้งหมดที่จะเข้าร่วมการเจรจา เนื่องจากฝ่ายนิติบัญญัติของรัฐบาลกลางพยายามกลั่นกรองและจำกัดความประพฤติของบริษัทโซเชียลมีเดีย หน่วยงานที่เป็นไปได้ที่อาจมีส่วนร่วมในการอภิปรายครั้งนี้ ได้แก่ CFPB, FTC และ FCC หน่วยงานจะใช้กฎระเบียบที่มีอยู่ในพื้นที่คุ้มครองผู้บริโภคได้ง่ายกว่าการที่รัฐสภาจะเขียนและผ่านกฎหมาย อย่างไรก็ตาม ด้วยการเปิดเผยข้อมูลองค์กรที่เพิ่มขึ้น เช่น รายงานผู้แจ้งเบาะแสของ Haugen ทำให้มีข้อมูลมากขึ้นที่อาจเป็นตัวเร่งปฏิกิริยาสำหรับการดำเนินการของรัฐสภาที่รวดเร็วขึ้นเช่นกัน” สิ่งที่ถือ DevOps กลับมา ความเห็นโดย Brian Rue ซีอีโอและผู้ร่วมก่อตั้ง Rollbar “ความท้าทายที่ใหญ่ที่สุดอย่างหนึ่งที่ทีมต้องเผชิญเมื่อเปลี่ยนไปใช้ DevOps คือการปล่อยโค้ดใหม่ให้บ่อยขึ้น หมายความว่าไม่ว่าคุณจะทำการทดสอบมากแค่ไหน ก็จะเกิดเหตุการณ์ที่เกี่ยวข้องกับโค้ดมากขึ้น นักพัฒนาถูกปลุกให้ตื่นกลางดึกและหมดไฟ วิธีที่ดีที่สุดในการจัดการกับสิ่งนี้คือด้วยการแก้ไขอัตโนมัติ – เพื่อรันบุ๊กการแก้ไขที่รู้จักโดยอัตโนมัติ (เช่น รีสตาร์ทเซิร์ฟเวอร์ที่ผิดพลาด) หรือคืนค่าระบบให้กลับสู่สถานะใช้งานได้โดยอัตโนมัติ (เช่น ปิดแฟล็กคุณลักษณะ หรือย้อนกลับเป็นเวอร์ชันก่อนหน้า ). นอกจากนี้ ทีมที่ใช้ DevOps มักจะแปลกใจว่าแม้ว่าเครื่องมือตรวจสอบ/การสังเกตจะทำงานได้ดีสำหรับปัญหาอินฟรา แต่ก็ไม่ได้ช่วยอะไรมากสำหรับปัญหาโค้ด ทางออกที่ดีที่สุดคือการแนะนำเครื่องมือที่เน้นโค้ดซึ่งเผยให้เห็นข้อผิดพลาดของโค้ด” ปัญญาประดิษฐ์ที่ไม่มีรหัสคือพรมแดนถัดไป คำอธิบายโดย Michelle Zhou ผู้ร่วมก่อตั้งและ CEO ของ Juji “การสร้างปัญญาประดิษฐ์ (AI) ไม่ใช่วิทยาศาสตร์จรวด แต่ในหลาย ๆ ด้าน มันยากกว่า การสร้างหรือจัดการ AI แบบกำหนดเองนั้นต้องใช้ความเชี่ยวชาญด้าน AI อย่างลึกซึ้ง การเข้ารหัสที่ซับซ้อน และวงจรการพัฒนาที่ยาวนาน ไม่ต้องพูดถึงข้อมูลการฝึกอบรมจำนวนมหาศาลที่มีเพียงไม่กี่องค์กร อันที่จริง มีองค์กรเพียงไม่กี่แห่งเท่านั้นที่สามารถสร้าง AI ของตนเองได้ ซึ่งนำไปสู่หลายองค์กรที่ถูกทิ้งไว้เบื้องหลังและทำให้เกิดช่องว่างของ AI นี่คือเหตุผลที่ AI ไร้รหัสคืออนาคต ที่เดียวที่นำ AI ที่ไม่มีรหัสมาใช้คือผ่าน AI การสนทนา การสนทนาแบบตัวต่อตัวอาจเป็นวิธีที่มีประสิทธิภาพที่สุดในการมีส่วนร่วมกับผู้คน เนื่องจากการสนทนาที่ขับเคลื่อนโดยมนุษย์นั้นยากต่อการขยายขนาด องค์กรต่างๆ ได้เริ่มขอความช่วยเหลือจากเจ้าหน้าที่ AI ในการสนทนาหรือแชทบอท จากสิ่งนี้ เราได้เรียนรู้ว่าการจะประสบความสำเร็จ AI ที่ไม่มีโค้ดในการสนทนาต้องสนับสนุนวงจรชีวิตการพัฒนา AI ทั้งหมด รวมถึงการตั้งค่า การปรับใช้ และการจัดการ เสนอการปรับแต่งอย่างรวดเร็วโดยไม่ต้องใช้รหัสโดยนำ AI ที่สร้างไว้ล่วงหน้ามาใช้ใหม่ แทนที่จะเริ่มต้นใหม่ทั้งหมด และนำการตรวจสอบพฤติกรรม AI แบบเรียลไทม์พร้อมความสามารถในการอัปเกรด AI ทันทีโดยไม่รบกวนการใช้งานที่มีอยู่ AI การสนทนาแบบไม่มีโค้ดช่วยให้การนำ AI มาใช้เป็นประชาธิปไตยและเชื่อมโยงการแบ่งแยก AI เนื่องจากช่วยให้ทุกองค์กรสามารถตั้งค่า ปรับใช้ และจัดการโซลูชัน AI อันทรงพลังได้อย่างรวดเร็ว” 10 หลายปีผ่านไป และในที่สุด AI/ML ก็ได้รับความสนใจที่พวกเขาสมควรได้รับ คำอธิบายโดย Mon Ray นักวิจัยใน Applied ML และ Anti-Abuse ที่ GitLab “AI มาไกลมาก แต่ในแง่ของเทคโนโลยีและความเป็นธรรม มันยังมีทางไป เพื่อการนำเทคโนโลยี AI มาใช้ให้เกิดประโยชน์สูงสุด องค์กรต่างๆ ควรใช้แนวทางปฏิบัติที่ดีที่สุดของ DevOps กับ AI เช่นเดียวกับหลักการของไปป์ไลน์ CI/CD นั้น AI ควรจะปรับปรุงผ่านการส่งมอบซ้ำและการทำงานร่วมกัน วัฒนธรรมการทำงานร่วมกันของการบูรณาการอย่างต่อเนื่องมีความสำคัญต่อความสำเร็จของ AI เมื่อใช้ AI/ML อย่างถูกวิธี (เช่น AI/ML ที่รับผิดชอบ) จะช่วยมนุษย์ในการแก้ปัญหาที่แท้จริง ในอุตสาหกรรมของเรา เราเริ่มเห็นการใช้ AI/ML, MLOps, ML ที่นำไปใช้อย่างมีความรับผิดชอบ และการเปลี่ยนแปลงในด้านวิทยาศาสตร์การตัดสินใจที่พัฒนาและควบรวมกิจการ เราใช้ AI/ML ในสาเหตุใหม่ๆ มากมาย ตั้งแต่การทดลองทางคลินิก การเขียนโค้ดทางการแพทย์และการเรียกเก็บเงิน ไปจนถึงคำแนะนำและอีเมลของ Netflix เป็นการยกระดับวิธีที่ชุมชนตัดสินใจอย่างแท้จริง แอปพลิเคชันของ AI/ML นั้นไม่มีที่สิ้นสุดและสามารถช่วยให้ซอฟต์แวร์ให้คำแนะนำที่ชาญฉลาดยิ่งขึ้น คำแนะนำที่เป็นส่วนตัวมากขึ้น และทำงานอัตโนมัติที่ไม่คาดคิดมาก่อน ยิ่งเราเข้าใจวิธีการใช้ AI/ML อย่างมีความรับผิดชอบมากเท่าไร เราก็ยิ่งสามารถทำให้มนุษย์เข้ามาใกล้กันมากขึ้นในฐานะชุมชน” การใช้เทคโนโลยีที่เกิดขึ้นใหม่เพื่อเชื่อมต่อและปรับปรุงกระบวนการที่ขาดการเชื่อมต่อและเร่งรายได้ ความเห็นโดย Randy Littleson ประธานเจ้าหน้าที่ฝ่ายการตลาด Conga “ในขณะที่บริษัทต่างๆ พลิกผันจากมรดกสู่รูปแบบธุรกิจที่ทันสมัย ​​การสมัครสมาชิกและการใช้งาน ความสำคัญของการบริการตนเองของลูกค้าและกระบวนการทำสัญญาแบบดิจิทัลจะเติบโตขึ้นอย่างต่อเนื่อง อย่างไรก็ตาม แม้ว่าจะมีฮาร์ดแวร์และซอฟต์แวร์มากมายสำหรับธุรกิจในปัจจุบัน กระบวนการภายในองค์กรส่วนใหญ่ที่เกี่ยวข้องกับการเสนอราคาและเสนอราคา การเจรจาต่อรอง และการตกลงทำสัญญายังคงกระจัดกระจายและช้า ในขณะที่บางคนอาจพิจารณากระบวนการทางธุรกิจที่แตกต่างกัน เช่น 'ธุรกิจตามปกติ' การดำเนินการที่ปิดกั้นเหล่านี้สามารถก่อให้เกิดอันตรายมากกว่าที่ผู้นำตระหนัก เช่น ศักยภาพการทำงานของพนักงานที่ลดลง และทำให้ลูกค้ามีทัศนคติเชิงลบต่อบริษัท ที่แย่ไปกว่านั้น กระบวนการปฏิบัติงานที่ถูกขัดขวางอาจส่งผลเสียต่อการดำเนินงานด้านรายได้ของบริษัท (RevOps) หรือภารกิจที่สำคัญต่อภารกิจที่เกี่ยวข้องกับการสร้างรายได้สำหรับบริษัท เพื่อหลีกเลี่ยงอันตรายที่อาจเกิดขึ้นกับ RevOps ของบริษัท องค์กรสามารถใช้เทคโนโลยีที่เกิดขึ้นใหม่เพื่อเชื่อมต่อและปรับปรุงกระบวนการที่ขาดการเชื่อมต่อ ตัวอย่างเช่น ด้วยระบบอัตโนมัติ องค์กรสามารถมอบประสบการณ์ที่ราบรื่นยิ่งขึ้นให้กับพนักงานและลูกค้าผ่านแอปพลิเคชันการกำหนดค่า ราคา เพื่อเสนอราคา (CPQ) รอบการเรียกเก็บเงินอัตโนมัติ และการอำนวยความสะดวกในสัญญาการขาย นอกจากนี้ บริษัทต่างๆ ยังสามารถใช้ AI และ ML เพื่อเร่งการดำเนินงานด้านรายได้โดยระบุข้อกำหนดและข้อกำหนดที่สำคัญในข้อตกลงได้อย่างรวดเร็ว ซึ่งช่วยให้กระบวนการต่ออายุสัญญาคล่องตัวและปิดข้อตกลงทางธุรกิจได้เร็วขึ้น ทำให้มั่นใจได้ว่าธุรกิจจะไม่ทิ้งรายได้ไว้บนโต๊ะ กล่าวโดยสรุป มีประโยชน์มากมายเมื่อองค์กรนำและใช้เทคโนโลยีที่เกิดขึ้นใหม่ โดยการใช้เวลาในการแปลงการดำเนินงานเชิงพาณิชย์ขององค์กรให้เป็นดิจิทัล ธุรกิจต่างๆ จะได้เห็นประสิทธิภาพการทำงานของพนักงานที่เพิ่มขึ้น การรับรู้ของลูกค้าที่มีต่อบริษัทของพวกเขาดีขึ้น และกระบวนการ RevOps โดยรวมที่เร็วขึ้น” การใช้ระบบอัตโนมัติเพื่อปรับปรุงกระบวนการที่ขาดการเชื่อมต่อและเร่งรายได้ คำอธิบายโดย Rachel Sokol หัวหน้าฝ่ายวิจัยด้านสุขภาพ Olive “สำหรับ 19 หลายเดือนในขณะนี้ สถานการณ์ COVID-10 การแพร่ระบาดได้บีบบังคับธุรกิจต่างๆ โดยเฉพาะโรงพยาบาลและระบบสุขภาพ ให้พิจารณาอย่างมีวิจารณญาณในการปรับปรุงกระบวนการที่ขาดการเชื่อมต่อและแบ่งเบาภาระการบริหารของคนงาน ตามรายงานล่าสุด 31% ของผู้บริหารด้านการดูแลสุขภาพยอมรับว่าจะไม่มีพนักงานเพียงพอที่จะจัดการกับปริมาณผู้ป่วยและข้อมูลสมาชิก ที่องค์กรของตน ในโลกที่มีความเครียดอย่างมาก ธุรกิจต่างๆ กำลังมองหาวิธีการทำงานใหม่ๆ ที่สามารถปรับปรุงความเป็นอยู่ที่ดีของพนักงานได้ ตัวอย่างเช่น 92% ของแพทย์เห็นด้วยว่าการใช้เวลามากเกินไปกับงานธุรการเป็นปัจจัยหลักที่ทำให้เกิดความเหนื่อยหน่ายของผู้ปฏิบัติงานด้านการดูแลสุขภาพและ 93% เชื่อว่า AI จะดีสำหรับอาชีพของพวกเขา AI สนับสนุนการเติบโตอย่างต่อเนื่องด้วย 31% ของผู้บริหารด้านการดูแลสุขภาพที่อ้างถึงแรงกดดันส่วนต่างอันเป็นผลมาจากการไม่ดำเนินการอัตโนมัติ ปีที่ผ่านมาทำให้นายจ้างจำนวนมากทั่วโลกต้องประเมินการดำเนินธุรกิจของตนใหม่และแสวงหาแนวทางใหม่ในการเพิ่มรายได้ และการดูแลสุขภาพก็ไม่มีข้อยกเว้น ทั่วประเทศ บุคลากรทางการแพทย์ยังคงมีภาระหนักเกินไป ทำให้ AI มีโอกาสปรับปรุงเวิร์กโฟลว์ในแต่ละวัน” ขับเคลื่อนโลกสมัยใหม่ด้วยข้อมูลโอเพ่นซอร์ส คำอธิบายโดย Shen Li หัวหน้าฝ่ายธุรกิจระดับโลกที่ PingCAP “องค์กรทุกประเภทขึ้นอยู่กับชุดข้อมูลขนาดใหญ่ เติบโตอย่างรวดเร็ว และพัฒนาเพื่อให้บริการที่ชาญฉลาดยิ่งขึ้นและบรรลุการเติบโตของธุรกิจ เนื่องจากมีความสำคัญ ข้อมูลควรได้รับการปฏิบัติเหมือนเป็นยูทิลิตี้ เช่นเดียวกับน้ำ ก๊าซ หรือไฟฟ้า ข้อมูลควรสามารถเข้าถึงได้ง่าย ง่ายต่อการใช้งาน และเชื่อถือได้ แต่ข้อมูลจะกลายเป็นยูทิลิตี้ได้ก็ต่อเมื่อได้รับการสนับสนุนจากฐานข้อมูลโอเพนซอร์ส การรวมข้อมูลที่แข็งแกร่ง และกรอบงานการจัดการข้อมูล ฐานข้อมูลรุ่นต่อไปเป็นรากฐานของการทำบิ๊กดาต้าและ AI ให้เป็นจริง การมีแอททริบิวต์ที่ปรับให้พอดีซึ่งรับประกันว่าจะมีข้อมูลในปริมาณที่เหมาะสมสำหรับการฝึกอบรมอัลกอริธึม ML แบบเรียลไทม์ ซึ่งช่วยให้เกิดการบรรจบกันของชุดข้อมูลได้อย่างรวดเร็วและการอนุมานที่แม่นยำยิ่งขึ้นในท้ายที่สุด ในที่สุดโดยการวางตำแหน่งdat เป็นทรัพยากรที่สำคัญพอๆ กับยูทิลิตี้ในปัจจุบัน องค์กรต่างๆ สามารถรับข้อมูลที่ถูกต้อง ในเวลาที่เหมาะสม เพื่อยกระดับบริการและปรับปรุงผลลัพธ์ทางธุรกิจของพวกเขา” การลงทุนที่จำเป็นที่สามารถเพิ่ม ROI ของธุรกิจได้ คำอธิบายโดย Arun Kumar รองประธานอาวุโสฝ่ายข้อมูลและข้อมูลเชิงลึกที่ Hero Digital “ในยุคที่ดิจิทัลต้องมาก่อน และในหลายกรณีในโลกดิจิทัลเท่านั้น ความคาดหวังของลูกค้านั้นสูงมากในแง่ของประสบการณ์ที่พวกเขามีกับทุกปฏิสัมพันธ์ที่พวกเขามีกับแบรนด์ Uber, Amazon, Airbnb ได้กำหนดนิยามใหม่ให้กับ CX และตอนนี้ลูกค้าคาดหวังไม่น้อยจากร้านค้าดิจิทัลที่อยู่ตรงหัวมุมเพื่อพูด นั่นหมายความว่าทุกแบรนด์จำเป็นต้องก้าวเข้ามาและยกระดับเกมข้อมูลของตน การสร้างข้อมูลเชิงลึกอย่างรวดเร็วจากข้อมูลที่รวบรวมจากลูกค้าผ่านการใช้เทคโนโลยี การแสดงข้อมูลเชิงลึกไปยังผู้มีส่วนได้ส่วนเสียที่เหมาะสม การสร้างและปรับเปลี่ยนประสบการณ์ที่จุดสัมผัสหลัก และการเรียนรู้ระหว่างเดินทาง ล้วนเป็นสิ่งที่เท่าเทียมกันสำหรับหลักสูตรนี้ แบรนด์จำเป็นต้องเข้าถึงจิตใจของผู้บริโภคในทุกขั้นตอนของการเดินทางและส่งมอบสิ่งที่ลูกค้ากำลังมองหาอย่างแม่นยำ และนั่นคือสิ่งที่โปรแกรมวิเคราะห์ข้อมูลที่เน้นข้อมูลเชิงลึกที่ดีสามารถช่วยพวกเขาได้” โมเดลแมชชีนเลิร์นนิงอายุหนึ่งขวบเลิกใช้แล้ว: องค์กรต่างๆ จะตามทันได้อย่างไร คำอธิบายโดย Andy Wishart, CPO ที่ Agiloft “วันนี้ มีบางพื้นที่ในธุรกิจที่ยังไม่ถูกแตะต้องโดยผลกระทบของ AI และการเรียนรู้ของเครื่อง จากข้อมูล 2020 การลดต้นทุนการดำเนินงานเป็นเหตุผลหลักที่องค์กรต่างๆ นำ ML มาใช้ อย่างไรก็ตาม ข้อมูลที่คุณใช้ในการฝึกโมเดล ML เมื่อสิบสองเดือนที่แล้วอาจไม่ได้ให้ความแม่นยำที่คุณต้องการในวันนี้ นอกจากนี้ เทคโนโลยี ML กำลังพัฒนาอย่างรวดเร็ว โดยโมเดลพื้นฐานจะล้าสมัยหลังจากเดือน 000 ทำให้เกิดหนี้ทางเทคนิคที่ขัดขวางองค์กร นวัตกรรมและผลผลิตซึ่งจะส่งผลเสียต่อผลกำไร ภาวะที่กลืนไม่เข้าคายไม่ออกที่มีราคาแพงนี้ได้นำไปสู่การเพิ่มขึ้นของ ModelOps ซึ่งเป็นแนวทางปฏิบัติที่จัดการวงจรชีวิตของโมเดล AI และ ML ที่ใช้งานได้ประเภทต่างๆ ในเชิงรุก 76% ของผู้บริหารที่เน้น AI กล่าวว่าการลดต้นทุนเป็นผลประโยชน์หลักของการลงทุนใน ModelOps โดยเกือบครึ่งหนึ่ง (42%) อธิบายว่ามีความสำคัญต่อธุรกิจ เนื่องจากสิ่งนี้ยังคงมีความสำคัญสูงสุด CTO และ CIO จำนวนมากจึงได้รับมอบหมายให้ใช้ ModelOps เพื่อให้แน่ใจว่าโมเดลและเทคโนโลยี ML ระดับองค์กรของพวกเขาได้รับการอัปเดตอย่างต่อเนื่อง ไม่ใช่งานขนาดเล็ก สำหรับผู้นำองค์กร วิธีแก้ปัญหาที่ง่ายที่สุดแต่มักถูกมองข้ามคือนำเฉพาะระบบขององค์กรที่คล่องตัวและกำหนดค่าได้มากพอที่จะปรับให้เข้ากับการเติบโตของธุรกิจและวิวัฒนาการทางเทคโนโลยี มีความต้องการนักวิทยาศาสตร์ด้านข้อมูลสูง เนื่องจากบริษัทต่างๆ ขาดความสามารถด้านเทคนิคที่จำเป็นในการสร้างโซลูชัน AI ที่ปรับขนาดได้ แต่บริษัทที่ไม่สามารถจ้างผู้มีความสามารถที่เหมาะสมได้ กำลังเผชิญกับความเสี่ยงที่จะถูกทิ้งไว้ข้างหลัง เพื่อแก้ไขปัญหานี้ บริษัทจำนวนมากขึ้นจึงหันมาใช้แพลตฟอร์มที่ไม่มีโค้ดสำหรับการเรียนรู้ของเครื่อง ด้วยระบบ ML แบบไม่มีโค้ด องค์กรของคุณสามารถปรับแต่งโมดูลที่สร้างไว้ล่วงหน้าและแบบกำหนดเองได้ เพื่อตอบสนองความต้องการที่แท้จริงโดยไม่ต้องเขียนโค้ดที่กำหนดเอง ดังนั้นเวลาและค่าใช้จ่ายในการปรับใช้จึงเป็นเพียงเศษเสี้ยวของที่จำเป็นสำหรับระบบอื่นๆ เครื่องมือระดับองค์กรที่มีแพลตฟอร์มแบบไม่มีโค้ด เช่น การจัดการวงจรอายุสัญญา (CLM) ช่วยให้สามารถผสานรวมกับระบบอื่นๆ ได้ง่าย เปิดใช้งานการย้ายข้อมูลได้ง่าย และจัดเตรียมเครื่องมือสำหรับการใส่คำอธิบายประกอบข้อมูลการฝึกอบรมโดยไม่ต้องมีความเชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลหรือ ML ด้วยเหตุผลเหล่านี้ จึงเป็นสิ่งสำคัญสำหรับ CIO และผู้นำด้านไอทีในการนำโซลูชันทางธุรกิจที่ยืดหยุ่นมาใช้ ซึ่งจะช่วยให้องค์กรสามารถปรับขนาดและปรับตัวได้อย่างรวดเร็ว” ทำไมเราต้องการ AIOps เพื่อชนะการแข่งขัน AI คำอธิบายโดย Steve Escaravage รองประธานอาวุโสของ Booz Allen “ความมั่นคงแห่งชาติกำลังกลายเป็นองค์กรดิจิทัลมากขึ้นเรื่อยๆ และการชนะในสมรภูมิดิจิทัลแห่งอนาคตจำเป็นต้องมีความก้าวหน้าอย่างต่อเนื่องในด้านปัญญาประดิษฐ์ที่เน้นที่ความเร็ว การทำงานร่วมกัน และขนาด การนำอัลกอริธึมจากห้องปฏิบัติการไปสู่ภาคสนามจะช่วยให้เราสามารถปรับขนาด AI ซึ่งเป็นกุญแจสำคัญในการแข่งขันระดับโลกสำหรับ AI สูงสุด เพื่อให้ AI ทำงานได้เร็วขึ้น ดีขึ้น และเร็วขึ้น เราต้องดำเนินการโปรแกรม AI มากขึ้นในขณะนี้ เพื่อให้สามารถเริ่มรวบรวมข้อมูลในโลกแห่งความเป็นจริงและเรียนรู้จากโปรแกรมเหล่านั้นได้ ขั้นตอนสำคัญในการปรับขนาด AI คือการนำเฟรมเวิร์ก AI Operations (AIOps) มาใช้ ซึ่งจะเพิ่มอัตราความสำเร็จขององค์กรในการปรับใช้ AI ในขณะเดียวกันก็รับประกันว่าองค์ประกอบด้านจริยธรรม ความปลอดภัย และความเป็นส่วนตัวที่สำคัญจะได้รับการจัดลำดับความสำคัญในการพัฒนาตั้งแต่เนิ่นๆ กรอบงาน AIOps ช่วยทั้งพัฒนากระบวนการพัฒนา AI และรวมกระบวนการนั้นทั่วทั้งองค์กร ท้ายที่สุดแล้วจะทำให้เกิดความสามารถด้าน AI ที่ปรับขนาดได้ ยั่งยืน และมีการประสานงานกัน เฟรมเวิร์กนี้ควรมีองค์ประกอบหลักหลายประการ รวมถึงวิศวกรรมภารกิจ, AI ที่รับผิดชอบด้วยการออกแบบที่เน้นมนุษย์เป็นศูนย์กลาง, วิศวกรรมข้อมูลและการดำเนินการข้อมูล (DataOps), วิศวกรรมการเรียนรู้ของเครื่อง (ML) และการดำเนินงาน ML (MLOps), วิศวกรรมระบบและ DevSecOps, วิศวกรรมความน่าเชื่อถือ โครงสร้างพื้นฐานและวิศวกรรมความปลอดภัยทางไซเบอร์ ลูปการตอบรับการปฏิบัติงาน และทีมงาน AI โดยเฉพาะ การทำให้แน่ใจว่าองค์กรของคุณตอบสนองความต้องการเหล่านี้ก่อนที่จะลงทุนมหาศาลใน AI จะช่วยปิดช่องว่างระหว่างนวัตกรรมแนวความคิดและการปรับใช้ในโลกแห่งความเป็นจริง” การคาดการณ์ที่ขับเคลื่อนด้วย AI เพื่อการวางแผนสูงสุดที่ประสบความสำเร็จ คำอธิบายโดย Steve Denton ซีอีโอของ Ware2Go ซึ่งเป็นบริษัท UPS “ผู้ก่อกวนในอุตสาหกรรมซัพพลายเชนกำลังเคลื่อนไปสู่แนวทางที่ใช้เทคโนโลยีเป็นอันดับแรกซึ่งขับเคลื่อนโดยการเรียนรู้ของเครื่อง การใช้การเรียนรู้ของเครื่องและ AI เป็นแนวคิดใหม่ในพื้นที่ของเรา แต่ไม่ควรเป็นเช่นนั้น สินทรัพย์ที่ทรงพลังที่สุดที่อยู่ในมือของอุตสาหกรรมซัพพลายเชนคือข้อมูล เรามีตันของมัน การผสานรวมระบบ OMS, WMS และ TMS ภายใน WMS ระดับบนสุดทำให้ชุดข้อมูลสมบูรณ์ที่ช่วยให้เกิดความเร็วและประสิทธิภาพมากขึ้นในอุตสาหกรรมที่ต้องการการยกเครื่องทางเทคโนโลยีเป็นเวลานาน แทนที่จะใช้แบบจำลองการคาดการณ์แบบเดิมที่น่าเบื่อ เราสามารถใช้การเรียนรู้ของเครื่องเพื่อให้การวิเคราะห์อย่างรวดเร็วโดยอิงจากคำสั่งซื้อในอดีตและข้อมูลการจัดส่ง การผสานรวมข้อมูลการจัดส่งเข้ากับการคาดการณ์ของเราช่วยให้ผู้ค้าวางแผนได้แม่นยำยิ่งขึ้นทั้งในด้านการจัดซื้อและด้านการปฏิบัติตามข้อกำหนดของซัพพลายเชน ด้วยการรวบรวมข้อมูลการขายในอดีต การวางแผนความต้องการ ปฏิทินการส่งเสริมการขาย และข้อมูลเชิงลึกของห่วงโซ่อุปทานในการรายงานของเรา เทคโนโลยีซัพพลายเชนสามารถแสดงให้ผู้ค้าเห็นถึงกลไกในโลกแห่งความเป็นจริงที่พวกเขาสามารถดึงออกมาเพื่อเพิ่มประสิทธิภาพห่วงโซ่อุปทานของตนได้ ปัจจัยบางประการ ได้แก่ การวางสินค้าคงคลังใกล้กับผู้บริโภคปลายทาง นำหน้าและลดสต๊อกสินค้า และปรับสินค้าคงคลังที่มีอยู่ให้เหมาะสมตามช่องทางการขายที่เหมาะสม ทั้งหมดนี้ทำให้ผู้ค้าคล่องตัวในการปรับเปลี่ยนตามเวลาจริงในช่วงที่มีลูกค้ามากที่สุดและเพื่อปรับตัว เพื่อการเปลี่ยนแปลงในตลาด ในท้ายที่สุด ผู้ค้าที่ให้ความสำคัญกับการคาดการณ์ในปีนี้จะมีความพร้อมมากขึ้นในการส่งมอบตามกำหนดส่งในช่วงวันหยุด และเพิ่มความพึงพอใจของผู้บริโภคสำหรับแบรนด์ของตน” กล้องที่ใช้ AI สามารถแก้ไขปัญหาความแออัดของถนนในอเมริกาได้อย่างไร คำอธิบายโดย Gabriel McFadden ผู้จัดการฝ่ายพัฒนาธุรกิจอาวุโสที่ Cubic Transportation Systems “ลองนึกภาพโลกที่การจราจรผ่านสี่แยกที่พลุกพล่านที่สุดได้อย่างง่ายดาย ตอนนี้ ลองนึกภาพว่าทั้งหมดนี้สำเร็จได้ด้วยกล้องระบบจราจรอัจฉริยะ (ITS) ที่เปิดใช้งาน AI จากการวิจัยล่าสุดพบว่ามากกว่า 92, กล้องที่ใช้ AI จะใช้สำหรับการจัดการจราจรโดย 2025 นั่นคือการกระโดดที่สำคัญจาก 33,000 กล้องที่ใช้ AI สำหรับการจัดการจราจรใน 2020 กล้องที่ใช้ AI สามารถใช้งานได้บนถนนและทางหลวงที่พลุกพล่าน โดยผสมผสานคอมพิวเตอร์วิทัศน์แบบดั้งเดิมกับ AI เพื่อตรวจจับและติดตามวัตถุที่เคลื่อนไหวทั้งหมดในบริเวณใกล้เคียง จากนั้นกล้องจะใช้ AI เพื่อกำหนดว่าวัตถุคืออะไร ซึ่งช่วยให้เมืองต่างๆ กำหนดรูปแบบว่าถนนใดที่แออัดที่สุด ที่ซึ่งการจราจรติดขัดมากที่สุด และประเภทของยานพาหนะที่มักเกี่ยวข้อง กล้องที่ใช้ AI สามารถติดตั้งได้ตามทางแยกต่างๆ ทั่วโลก ตั้งแต่สถานที่ในเมืองที่มีผู้ขับขี่ นักขี่จักรยาน และคนเดินเท้าหนาแน่น ไปจนถึงชุมชนชานเมืองและชนบทในเมืองขนาดกลางและเมืองเล็กๆ เมืองต่างๆ เช่น ซีแอตเทิล ทาโคมา ซานฟรานซิสโก และรีโนได้นำเทคโนโลยี ITS มาใช้แล้วและกำลังปรับปรุงการไหลของการจราจร ไม่ว่าจะเป็นจำนวนประชากรหรือความแออัดก็ตาม กล้องที่ใช้ AI เป็นโซลูชันที่มีประสิทธิภาพสำหรับผู้ขับรถในเมืองให้มีความปลอดภัยและมีประสิทธิภาพมากขึ้น” การกำหนดและบรรเทาอคติใน AI คำอธิบายโดย Alix Melchy รองประธานฝ่าย AI ที่ Jumio “อคติสามารถแทรกซึมอัลกอริธึมปัญญาประดิษฐ์ (AI) ได้หลายวิธีเพื่อบิดเบือนผลลัพธ์และให้ข้อมูลที่ไม่ยุติธรรมหรือมีวัตถุประสงค์ ไม่ต้องพูดถึง มันกำลังคุกคามความน่าเชื่อถือและวิวัฒนาการของเทคโนโลยี AI สมัยใหม่ เนื่องจาก AI ถูกนำมาใช้เพื่อเพิ่มจำนวนหน้าที่ทางธุรกิจและการวิเคราะห์ข้อมูล ความลำเอียงจึงเกี่ยวข้องกับผู้เชี่ยวชาญหลายคน ดังนั้น เพื่อป้องกันอคติใน AI เราจำเป็นต้องเข้าใจอคติของ AI สามประเภทที่แตกต่างกัน: ความเอนเอียงของแบบจำลอง ความเอนเอียงในการสุ่มตัวอย่าง และอคติที่เป็นธรรม: (i) ความเอนเอียงของแบบจำลอง: ความเอนเอียงประเภทนี้เกิดขึ้นเมื่อโมเดลการเรียนรู้ของเครื่องเรียบง่ายเกินไปและล้มเหลว จับแนวโน้มที่มีอยู่ในชุดข้อมูล เพื่อยืนยันว่าโมเดลแมชชีนเลิร์นนิงมีความเอนเอียงของโมเดลหรือไม่ คุณต้องถามคำถามหลายๆ ข้อและทดสอบสถานการณ์ต่างๆ ภายในข้อมูล การรันการทดสอบเหล่านี้จะยืนยันว่าประสิทธิภาพของแบบจำลองเปลี่ยนไปเมื่อจุดข้อมูลหนึ่งมีการเปลี่ยนแปลง หรือเมื่อมีการใช้ตัวอย่างข้อมูลที่แตกต่างกันในการฝึกหรือทดสอบแบบจำลอง (ii) สุ่มตัวอย่างอคติ: สิ่งนี้เกิดขึ้นเมื่อโมเดลการเรียนรู้ของเครื่องกำลังใช้ชุดข้อมูลที่กลุ่มตัวอย่างไม่ได้เป็นตัวแทนของเงื่อนไขของประเทศ ตัวอย่างเช่น ชุดข้อมูลที่เคยถือเป็นเกณฑ์มาตรฐานสำหรับการทดสอบซอฟต์แวร์จดจำใบหน้ามีข้อมูลที่เป็นเพศชาย 42% และ 80% สีขาว. อคติในการสุ่มตัวอย่างสามารถป้องกันได้โดยการจัดลำดับความสำคัญของความหลากหลายในทีมออกแบบและการพัฒนาของคุณ เนื่องจากทีมที่ไม่มีมุมมองที่หลากหลายจะสร้างประสบการณ์ตามภูมิหลังและความสามารถที่เป็นเนื้อเดียวกัน (iii) อคติที่เป็นธรรม: แม้ว่าจะไม่รวมตัวแปรที่ละเอียดอ่อน เช่น เพศ ชาติพันธุ์ และอัตลักษณ์ทางเพศ ระบบ AI ก็เรียนรู้ที่จะตัดสินใจตามข้อมูลการฝึกอบรม ซึ่งอาจมีการตัดสินใจของมนุษย์ที่บิดเบือน หรือแสดงถึงความไม่เท่าเทียมทางประวัติศาสตร์หรือทางสังคม เพื่อลดอคติด้านความเป็นธรรม ต้องปรับอัลกอริทึม AI เพื่อพิจารณาความเอนเอียงเหล่านี้และพยายามปรับมาตราส่วนให้เหมาะสม ด้วยการทำความเข้าใจอคติ AI ประเภทต่างๆ องค์กรของคุณสามารถดำเนินการเชิงรุกเพื่อป้องกันไม่ให้อคติเข้ามาขัดขวางการรวบรวมข้อมูลที่ถูกต้องและผลลัพธ์ที่บิดเบือน” แนวทาง “มนุษย์ในวงกว้าง” ซึ่งรวมถึงทีมผู้ใส่คำอธิบายประกอบข้อมูลที่หลากหลายเป็นสิ่งจำเป็นเพื่อลดอคติใน AI และต่อสู้กับเนื้อหาออนไลน์ที่เป็นอันตราย คำอธิบายโดย Michael Ringman, CIO ที่ TELUS International “โปรแกรม AI นั้นสร้างขึ้นโดยมนุษย์ และไม่ว่าเราจะชอบหรือไม่ก็ตาม มนุษย์ก็มีอคติโดยเนื้อแท้ที่สามารถสอนให้อัลกอริทึมที่ขับเคลื่อนโซลูชั่น AI ได้ ตัวอย่างเช่น โซลูชันการตรวจสอบและกลั่นกรองเนื้อหาที่ขับเคลื่อนโดย AI กำลังกลายเป็นเรื่องธรรมดามากขึ้นเรื่อยๆ เพื่อช่วยให้แบรนด์จัดการชุมชนออนไลน์ของตนและต่อสู้กับเนื้อหาที่ผู้ใช้สร้างขึ้น (UGC) ที่เป็นอันตรายและไม่เหมาะสม อย่างไรก็ตาม หากอัลกอริธึมที่สนับสนุนโซลูชันเหล่านี้สืบทอดอคติของมนุษย์ ลูกค้าอาจต้องเผชิญกับเนื้อหาที่เป็นพิษและสูญเสียความไว้วางใจในแบรนด์นั้นๆ ไปในที่สุด มีการสร้าง UGC จำนวนมหาศาลในแต่ละวัน (ทุกๆ นาที ผู้ใช้ Instagram โพสต์ 347 222 เรื่องราว) และ มนุษย์เท่านั้นไม่มีความสามารถในการตรวจสอบ ระบุเนื้อหาที่เป็นอันตราย และลบออกได้เร็วพอ นี่คือจุดที่ AI และการเรียนรู้ของเครื่องเข้ามาเพื่อช่วยตั้งค่าสถานะและลบเนื้อหาที่ไม่เหมาะสมออกอย่างรวดเร็ว แต่เพื่อให้บรรลุความสำเร็จที่เชื่อถือได้และยั่งยืนในเรื่องนี้ แบรนด์ต่างๆ จะต้องฝึกอบรมและพัฒนาอัลกอริธึมการเรียนรู้ของเครื่องเพื่อลดการเลือกปฏิบัติและอคติ การผสมผสานแนวทาง “มนุษย์ในวงกว้าง” กับทีมที่หลากหลายซึ่งระบุเนื้อหาที่จะกลายเป็นชุดข้อมูลการฝึกอบรมสำหรับแพลตฟอร์มการควบคุมเนื้อหาเหล่านี้เป็นจุดเริ่มต้นที่สำคัญ การรู้ว่าโมเดล AI ไม่ใช่โซลูชัน “ตั้งค่าและลืมมัน” และต้องได้รับการตรวจสอบและปรับปรุงอย่างต่อเนื่องโดยผู้เชี่ยวชาญที่เป็นมนุษย์ซึ่งให้ข้อเสนอแนะเชิงลึกเกี่ยวกับกระบวนการนี้ สามารถลดกรณีอคติและระบุเนื้อหาที่ไม่เหมาะสมได้อย่างแม่นยำมากขึ้นก่อนที่จะเกิดอันตราย หากปราศจากการมีส่วนร่วมของมนุษย์ แบรนด์ต่างๆ ก็มีความเสี่ยงที่สมมติฐานของ AI และแมชชีนเลิร์นนิงจะมีข้อบกพร่อง ทำให้เกิดความประทับใจในเชิงลบต่อลูกค้าหากเนื้อหาที่ไม่เหมาะสมถูกเก็บไว้ออนไลน์” ในการปรับเปลี่ยนกระบวนทัศน์จำเป็นต้องสร้างความสามัคคีที่มากขึ้นระหว่างปัญญาประดิษฐ์ (AI) และปัญญามนุษย์ (HI) ความเห็นโดย Kevin Scott, CTO ของ Microsoft “การเปรียบเทียบ AI กับ HI เป็นประวัติศาสตร์อันยาวนานของผู้คน โดยถือว่าสิ่งที่ง่ายสำหรับพวกเขาจะเป็นเรื่องง่ายสำหรับเครื่องจักรและในทางกลับกัน แต่กลับเป็นตรงกันข้ามมากกว่า มัน มนุษย์พบว่าการเป็นปรมาจารย์หมากรุก หรือการทำงานข้อมูลที่ซับซ้อนและซ้ำซาก เป็นเรื่องยาก ในขณะที่เครื่องจักรสามารถทำสิ่งเหล่านั้นได้อย่างง่ายดาย แต่ในสิ่งที่เรามองข้ามไป เช่น การให้เหตุผลด้วยสามัญสำนึก เครื่องจักรยังคงมีทางยาวไกล … AI เป็นเครื่องมือที่ช่วยให้มนุษย์ทำงานเกี่ยวกับความรู้ความเข้าใจ มันไม่เกี่ยวกับว่า AI จะเทียบเท่ากับ HI หรือไม่ นั่นไม่ใช่เป้าหมายที่ฉันกำลังดำเนินการอยู่” ลงทะเบียนเพื่อรับจดหมายข่าว InsideBIGDATA ฟรี เข้าร่วมกับเราบน Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button