My Cookie Mix

Hai mai provato a descrivere la tua giornata usando i dati invece delle parole? È quello che hanno fatto due designer scrivendosi cartoline per un anno. Giorgia Lupi e Stefanie Posavec si sono conosciute anni fa a un festival di arte e hanno scoperto di avere una passione in comune: la raccolta delle informazioni. Vivono in due città diverse, ma hanno deciso di rimanere in contatto e diventare “amiche di penna”, cioè due persone che si scrivono regolarmente. Ma invece di descrivere le loro giornate a parole, hanno cominciato a disegnare le loro esperienze. Le loro cartoline sono diventate un importante progetto artistico contenuto nel libro Dear data, che significa “cari dati”. Leggi tutto:  https://www.internazionale.it/notizie/elizabeth-pagel-hogan/2024/01/24/passione-dati-dear-data Per approfondire il progetto:  https://www.dear-data.com/theproject

 In a new analysis, IMF staff examine the potential impact of AI on the global labor market. Many studies have predicted the likelihood that jobs will be replaced by AI. Yet we know that in many cases AI is likely to complement human work. The IMF analysis captures both these forces. The findings are striking: almost 40 percent of global employment is exposed to AI. Historically, automation and information technology have tended to affect routine tasks, but one of the things that sets AI apart is its ability to impact high-skilled jobs. As a result, advanced economies face greater risks from AI—but also more opportunities to leverage its benefits—compared with emerging market and developing economies. In advanced economies, about 60 percent of jobs may be impacted by AI. Roughly half the exposed jobs may benefit from AI integration, enhancing productivity. For the other half, AI applications may execute key tasks currently performed by humans, which could lower labor demand, leading to

L'Intelligenza Artificiale (IA) ha il potenziale per rimodellare l'economia globale, soprattutto nel campo del mercato del lavoro. Le economie avanzate sperimenteranno i benefici e le insidie dell'IA prima delle economie emergenti e in via di sviluppo, soprattutto a causa del loro modello occupazionale, basato su ruoli ad alta intensità cognitiva. Si possono individuare alcune costanti per quanto riguarda l'esposizione all'IA, con le donne e le persone con un'istruzione universitaria più esposte ma anche più pronte a raccogliere i benefici dell'IA, e i lavoratori più anziani potenzialmente meno capaci di adattarsi alla nuova tecnologia. La disuguaglianza del reddito da lavoro può aumentare se la complementarità tra l'IA e i lavoratori ad alto reddito è forte, mentre i rendimenti del capitale aumenteranno la disuguaglianza della ricchezza. Tuttavia, se gli aumenti di produttività saranno sufficientemente elevati, i livelli di reddito potrebbero aumentare

Despite huge investments in data science initiatives, 94% of organizations face a list of challenges that prevent them from developing and implementing the data science projects that are needed to improve operational efficiency. Top of the list is a lack of skilled talent. And here’s the thing: This lack won’t be filled simply by having more data scientists coming out of universities. The degree in data science proves a baseline qualification in that specific field, but a lot of organizations aren’t only looking for “pure” data scientists. To implement more data science projects, companies also need their existing workforce to gain data science skills. That’s because these people already have valuable on-the-job experience and business understanding that enables them to recognize when something in the data looks off. Leggi tutto:  https://www.knime.com/blog/can-i-get-into-data-science-with-no-experience Ci sono almeno un paio di punti interessanti in questo post: le competenze di data

Condivido sull'hub di Knime questo componente per la creazione di una lista di KPI (indicatori chiave di prestazione) in Knime : è utile per generare delle tabelle di test, ad esempio per la creazione e condivisione di grafici o di report quando non si possono o non si devono usare dati aziendali. Il componente permette di personalizzare la data minima e massima del range e il numero di KPI da generare. Ad esempio: impostando "numero di KPI = 3" saranno generati i seguenti KPI: KPI001, KPI002, KPI003; impostando "numero di KPI = 5" saranno generati i seguenti KPI: KPI001, KPI002, KPI003, KPI004, KPI005 Restituisce in output una tabella di Knime (data table) costituita da tre colonne: identificativo del KPI ( KPI_ID ), nel formato KPI001, KPI002, ... data ( KPI_DATE ) nel formato aaaa-mm-gg valore giornaliero del KPI ( KPI_VALUE ), numero casuale intero Il componente usa i seguenti nodi Date&Time Configuration Merge Variables Create Date&Time Range Ra

Growth in the availability and variety of real-world data (RWD) is creating new opportunities for real-world evidence (RWE) at a pace not seen before. Nonhealth data, such as consumer credit-card spending, geospatial data, and web-harvested data (as used in an appropriate context and adhering to stringent privacy standards) also present new possibilities in RWE to gain a more holistic under­standing of patient behaviors and outcomes (see sidebar “Types and sources of real-world data). This wealth of data underpins the ability of life sciences companies to move ahead on a number of key issues, such as increasing patient centricity, accelerating the pace of scientific innovation, addressing rising development costs, and intensify­ing their focus on value. Using advanced analytics, opportunities exist to incorporate RWD along the pharma value chain—for example, to inform research decisions, support market access, sharpen product strategy, improve pharmacovigilance, and enable adherence. A

Uncover the transformative power of generative AI within the operations value chain—shaping C-suite discussions across industries. In this episode of McKinsey Talks Operations, host Christian Johnson sits down with senior partner Nicolai Müller and partner Marie El Hoyek from McKinsey’s Operations Practice. Together, they discuss the game-changing potential of generative AI. From automating complex processes to unprecedented opportunities across industries, discover insights on productivity boosts, system considerations, and the vital capabilities organizations need for successful integration. Their conversation has been edited for clarity. Leggi tutto:  https://www.mckinsey.com/capabilities/operations/our-insights/generative-ai-in-operations-capturing-the-value

A ottobre 2023* è stato creato il primo modello di intelligenza artificiale capace di generalizzazione sistematica, ovvero dotato dell'abilità "di capire e produrre nuove combinazioni (linguistiche, ndr) a partire da componenti note". Rispetto ai modelli consolidati di AI, come quelli alla base dei comuni chatbot come ChatGpt, questa nuova rete neurale artificiale – sviluppata dall' esperto di psicologia e data science Brenden M.Lake, della New York University, e dal linguista italiano Marco Baroni, che lavora all’Università Pompeu Fabra in Spagna – ha dimostrato una maggiore abilità nell'integrare le parole apprese nel suo vocabolario preesistente e nell'utilizzarle in contesti non familiari, come sanno fare fin da piccoli gli esseri umani. Leggi tutto l'articolo su Wired:  https://www.wired.it/article/intelligenza-artificiale-astrazione-umana-generalizzazione-sistematica/ Leggi l' abstract e scarica la ricerca da Nature:  https://rdcu.be/du2fj (*) I