IBM® SPSS Statistics adalah perangkat lunak statistik terkemuka yang komprehensif, menyediakan model prediktif dan teknik statistik canggih untuk menghasilkan wawasan yang dapat ditindaklanjuti dari data. Bagi banyak bisnis, lembaga penelitian, ilmuwan data, analis data, dan ahli statistik, SPSS Statistics adalah standar untuk analisis statistik. SPSS Statistics dapat memberdayakan penggunanya dengan kemampuan berikut: Memahami data melalui analisis dan visualisasi yang komprehensif Menganalisis tren menggunakan regresi dan metode statistik lainnya untuk menemukan pola Memprediksi skenario masa depan dengan perkiraan yang dapat diandalkan menggunakan teknik seperti analisis deret waktu Memvalidasi asumsi melalui pemodelan statistik yang kuat dan uji statistik yang disesuaikan Menarik kesimpulan yang akurat untuk membimbing inisiatif bisnis strategis IBM SPSS Statistics menyediakan antarmuka pengguna yang intuitif dan pendekatan tanpa kode yang membantu untuk mengakses, mengelola, dan menganalisis berbagai dataset dengan cepat. Ini adalah perangkat lunak statistik yang tangguh dan kuat yang dirancang untuk membantu membuat keputusan berbasis data di berbagai bidang seperti ilmu sosial, pembuatan kebijakan, penelitian kesehatan, dan lainnya. Dengan kemampuan visualisasi data, metode analisis statistik canggih, dan teknik pemodelan, IBM SPSS Statistics memungkinkan pengguna untuk menjalani perjalanan analitis yang komprehensif mulai dari persiapan dan pengelolaan data hingga analisis dan pelaporan. Dengan menyediakan alat visualisasi dan pelaporan yang canggih, SPSS Statistics memungkinkan praktisi data untuk menjalankan berbagai uji statistik dan analisis serta membuat grafik resolusi tinggi dan laporan siap presentasi untuk mengkomunikasikan hasil dengan mudah. Mendapatkan nilai maksimal dari data Anda Profesional perangkat lunak analitis tingkat lanjut yang menggunakan bahasa pemrograman sumber terbuka seperti R dan Python sering mencari skalabilitas, konektivitas database, peningkatan kualitas output, dan kemampuan untuk berbagi algoritma dengan mereka yang tidak memiliki keahlian pemrograman. Sebaliknya, profesional SPSS Statistics menghargai antarmuka pengguna yang ramah, kurva pembelajaran rendah untuk menguasai prosedur statistik dengan cepat, dan berbagai teknik analisis data serta pemodelan yang luas. Bahkan orang yang tidak bisa memrogram sekalipun dapat mengintegrasikan fungsi R atau Python tertentu tanpa perlu mempelajari kode tingkat lanjut. Banyak ahli analitik data dan ilmu data yang tahu kekuatan masing-masing dari IBM SPSS Statistics, R, dan Python. SPSS Statistics unggul dalam analisis statistik yang dapat diskalakan, membantu dalam persiapan data, analisis, dan visualisasi. R dikenal karena kecepatan dan kinerjanya dalam pembelajaran mesin, sementara Python dikenal karena pustaka kaya untuk otomatisasi dan pengambilan data dari web. Beberapa pengguna mungkin merasa sulit mengintegrasikan SPSS Statistics dengan R dan Python karena ketidakpastian tentang alat mana yang paling sesuai untuk tugas tertentu, memilih plugin atau ekstensi yang tepat, dan memahami bagaimana cara mengintegrasikannya dengan lancar saat bekerja dengan dataset yang kompleks dan besar. Namun, dengan menggabungkan alat ini secara strategis, mereka dapat membuka sinergi yang kuat untuk manipulasi data, visualisasi, dan metode analisis data yang kompleks. SPSS Statistics menawarkan dasar yang solid untuk pekerjaan statistik inti, sementara R dan Python memberikan fleksibilitas untuk kustomisasi lanjutan dan pembelajaran mesin. Pendekatan gabungan ini memungkinkan pengguna untuk mendapatkan wawasan yang dapat ditindaklanjuti dari data yang kompleks, menerapkan teknik-teknik mutakhir, dan mencapai hasil yang sangat dapat diandalkan. Selain itu, dukungan komunitas yang kuat di seluruh 3 platform ini memberikan para profesional analisis data dan ilmu data akses ke sumber daya dan tutorial yang berharga, seolah beroperasi dalam ekosistem yang mempermudah berbagi pengetahuan dan analisis data. Bagaimana cara mengintegrasikan SPSS Statistics dengan R dan Python? Menggunakan API untuk menjalankan analisis data dari program eksternal: Pengguna dapat menggunakan API SPSS Statistics untuk melakukan analisis statistik langsung dari program eksternal R atau Python. Anda tidak perlu berada di dalam antarmuka SPSS Statistics untuk menjalankan analisis Anda. Anda dapat menghubungkannya dengan alat sumber terbuka dan melakukan berbagai operasi statistik menggunakan fitur-fitur kuat dari R atau Python. Menyematkan kode R atau Python: SPSS Statistics memungkinkan pengguna untuk memasukkan kode R atau Python dalam bahasa proprietary-nya. Ini berarti Anda dapat menulis dan menjalankan kode R atau Python khusus langsung di SPSS Statistics untuk melakukan analisis data tertentu. Ini memberi fleksibilitas bagi pengguna untuk menggunakan kemampuan statistik canggih dari R atau Python tanpa meninggalkan antarmuka SPSS Statistics. Membuat ekstensi kustom: SPSS Statistics dapat diperluas menggunakan modul plug-in (ekstensi) yang ditulis dalam R atau Python. Ekstensi ini berfungsi seperti alat bawaan dalam solusi kami, memungkinkan pengguna untuk menangani kebutuhan tertentu dengan menerapkan modul kode kustom. Dengan ekstensi, Anda dapat membuat dialog baru, mengotomatisasi alur kerja analisis, dan menambahkan fitur interaktif yang terintegrasi mulus dengan SPSS Statistics, memperluas fungsinya. Mengoptimalkan hasil analisis data dengan menggabungkan SPSS Statistics dengan R dan Python Integrasi yang lebih baik: Menggabungkan SPSS Statistics dengan R dan Python memungkinkan integrasi yang lebih baik dengan sistem penyimpanan lain seperti database dan penyimpanan cloud, menyederhanakan alur kerja ilmu data. Pengembangan lebih cepat: SPSS Statistics membantu mempercepat proses analisis data dengan memungkinkan pengguna menggunakan pustaka yang sudah ada dan lingkungan yang sudah ada untuk menjalankan skrip kustom R dan Python serta mengembangkan model statistik baru, visualisasi data, dan aplikasi web. Fungsi yang lebih ditingkatkan: Dengan menggunakan ekstensi, pengguna dapat membuat dan menerapkan algoritma statistik kustom serta alat manajemen data untuk SPSS Statistics, memperluas fungsinya dan menangani kebutuhan analisis data tertentu. Keuntungan menggunakan SPSS Statistics dengan R atau Python bersama-sama sangat banyak. Baik SPSS Statistics maupun solusi sumber terbuka menawarkan seperangkat fungsi statistik dan fitur yang kuat yang bermanfaat bagi komunitas statistik secara keseluruhan. Menggunakan SPSS Statistics dengan R atau Python membantu pengguna untuk mengoptimalkan proses menganalisis data kompleks dengan menangani dataset yang lebih besar dan mendapatkan akses ke pilihan output grafis yang lebih kaya. Akhirnya, SPSS Statistics bertindak sebagai kendaraan penerapan yang ideal untuk mendistribusikan paket R atau Python. Ini memungkinkan pengguna perangkat lunak statistik tingkat lanjut untuk membuka potensi penuh dari perangkat lunak proprietary dan platform sumber terbuka. Sinergi ini memungkinkan mereka untuk menangani berbagai kasus penggunaan yang lebih luas, meningkatkan produktivitas, dan mendapatkan hasil yang lebih baik.
Tag: IBM
AI generatif bukan sekadar soal teknologi; ini adalah tentang transformasi bisnis yang mendalam.
Kita kini berada di tahap krusial dalam evolusi AI generatif untuk perusahaan. Sementara AI generatif konsumen telah menarik perhatian jutaan orang, para eksekutif sedang mengembangkan praktik yang dapat memberikan strategi yang efektif dan bertanggung jawab untuk AI generatif di tingkat perusahaan. Menurut survei CEO kami, 60% organisasi belum mengembangkan pendekatan yang konsisten dan menyeluruh terhadap AI generatif. IBM® berada dalam posisi unik untuk membantu. Perusahaan ini memiliki sejarah inovasi yang kaya, disertai pemahaman mendalam tentang apa yang dibutuhkan organisasi. IBM memiliki rekam jejak yang legendaris dalam membangun teknologi hebat dan membantu klien melakukan transformasi bisnis secara andal. Ini menjadikannya tempat yang sempurna bagi saya untuk berkontribusi dalam membentuk masa depan industri kami. Selama 25 tahun bekerja di dunia data, AI, dan analitik, saya telah melihat bagaimana teknologi dapat mengubah bisnis, industri, dan bahkan cara kita menjalani hidup. Saya telah memiliki kesempatan untuk bekerja dengan beberapa tim paling inovatif di industri ini: empat startup, beberapa “scale-up,” dan hyperscalers (Microsoft, Oracle, dan Google), serta pelanggan dan mitra dari berbagai ukuran. Saya sangat senang telah bergabung dengan IBM untuk membantu mendorong strategi dan pelaksanaan data, AI, dan analitik perusahaan. Baru-baru ini, saya bergabung dengan Sanjeev Mohan dan Ritika Gunnar dalam sebuah episode podcast untuk membagikan alasan mengapa saya memilih IBM dan bagaimana saya percaya perusahaan ini berada dalam posisi unik untuk memimpin gelombang transformasi berikutnya melalui AI generatif. https://www.ibm.com/blog/generative-ai-isnt-just-about-technology-its-about-business-transformation/# AI Generatif: Lebih dari Sekadar Teknologi, Ini adalah Transformasi Bisnis Visi IBM mengenai AI generatif memiliki pendekatan yang berbeda. Ini tidak hanya tentang menciptakan alat-alat mutakhir; tetapi juga memastikan bahwa teknologi tersebut dapat dipercaya, diukur, dan digunakan untuk menyelesaikan tantangan bisnis dunia nyata. IBM memiliki reputasi yang kuat dalam menyediakan solusi kritis untuk bisnis di industri yang sangat diatur, seperti layanan keuangan dan kesehatan. Pengalaman mendalam dalam membangun sistem yang aman dan terpercaya adalah apa yang dibutuhkan perusahaan saat mereka mengadopsi AI generatif. Kami tidak berusaha menciptakan AI semata-mata untuk kepentingan teknologi—kami berkomitmen untuk membantu organisasi bertransformasi melalui AI dengan cara yang andal, etis, dan skalabel. Lalu, seperti apa strategi kami? Di IBM, kami mendekati AI generatif dengan tiga prinsip inti: kepercayaan, inovasi, dan skalabilitas perusahaan. Kepercayaan sebagai Pondasi Kepercayaan adalah inti dari filosofi AI IBM. Kami mengembangkan sistem yang tidak hanya memberikan hasil, tetapi juga menjelaskan cara mencapai hasil tersebut. Contohnya adalah kolaborasi IBM dengan Credit Agricole, sebuah lembaga besar di bidang perbankan dan asuransi dengan 53 juta pelanggan dan 147.000 karyawan. Perusahaan ini telah mengalokasikan anggaran TI sebesar 20 miliar euro untuk periode 2022–2025. Sebagai bagian dari upaya ini, Credit Agricole memulai dua solusi data, AI, dan analitik yang didukung perangkat lunak IBM untuk mendukung strategi TI mereka yang luas. Solusi ini dirancang untuk meningkatkan produktivitas karyawan dan pelanggan, dengan fokus pada auditabilitas untuk regulator. Setiap keputusan yang dibantu AI dapat diaudit, yang mendorong kepatuhan dan membangun kepercayaan dalam proses bisnis. Saya juga telah melihat bagaimana IBM membantu mentransformasi perusahaan seperti American Airlines. Berkat pendekatan IBM (perangkat lunak + konsultasi + IBM Garage™), mereka mampu mempercepat siklus pengembangan dan peluncuran aplikasi global di tengah badai besar, sambil tetap menjaga pengawasan manusia pada titik keputusan yang kritis. Istilah yang digunakan oleh pelanggan ini saat menggambarkan aplikasi-aplikasi tersebut bukanlah “eksperimen menarik.” Mereka menyebutnya “kuat” dan “andal.” Inovasi dengan Rekam Jejak Sukses IBM adalah salah satu organisasi paling inovatif di dunia. Dari penemuan SQL hingga mendorong batasan dengan sistem AI seperti Watson dan model bahasa besar, IBM telah menjadi pelopor dalam teknologi selama lebih dari satu abad. Sejarah inovasi kami berlanjut dengan kemajuan dalam AI, cloud hibrid, dan platform sumber terbuka. Kami tidak hanya berfokus pada menjadi pemain terbaru, tetapi lebih pada menjadi yang paling dapat diandalkan, terpercaya, dan etis—dan IBM memimpin dalam hal ini. Skalabilitas Siap Perusahaan AI generatif bukanlah eksperimen penelitian bagi IBM. Ini adalah cara kami untuk mendorong transformasi bisnis yang nyata. Kami membangun sistem AI yang dapat diukur, aman, dan siap memenuhi tuntutan lingkungan perusahaan yang paling kompleks. Baik Anda berada di sektor layanan keuangan, kesehatan, atau manufaktur, IBM memiliki pengalaman dan infrastruktur yang diperlukan untuk membantu Anda menerapkan AI dalam skala besar. Kemampuan cloud hibrid dan AI kami memungkinkan bisnis untuk berinovasi tanpa mengorbankan keamanan atau kepatuhan, terlepas dari industrinya. Di Ambang Transformasi Saya percaya kita berada di ambang perubahan yang sangat transformatif. IBM memimpin dalam upaya memanfaatkan AI untuk menciptakan nilai bisnis yang nyata. Misi kami adalah memberdayakan perusahaan untuk mengimplementasikan AI dengan cara yang efektif dan bertanggung jawab. AI akan merevolusi cara kita beroperasi, membuat keputusan, dan berkembang. Dalam beberapa bulan mendatang, kami akan meluncurkan fitur-fitur baru dalam AI generatif yang dirancang untuk mengubah cara bisnis menggunakan data, mengungkap wawasan yang lebih cerdas, meningkatkan proses pengambilan keputusan, dan mendorong efisiensi operasional pada skala yang belum pernah terjadi sebelumnya. Saya sangat antusias untuk menjadi bagian dari perjalanan ini dan berkontribusi dalam membentuk masa depan AI di IBM. Kami baru saja memulai, dan yang terbaik masih akan datang. Tetaplah bersama kami untuk pembaruan lebih lanjut saat kami terus mendorong batasan dari apa yang mungkin dilakukan dengan AI generatif. Jika Anda ingin mengetahui lebih lanjut, bergabunglah dengan kami di IBM TechXchange, di mana kami akan memamerkan bagaimana kami mewujudkan visi kami menjadi kenyataan. Mari kita bersama-sama membangun masa depan AI. Ingin tahu lebih banyak mengenai IBM, silahkan hubungi ibm@ilogoindonesia.id
Cara Mengatasi Kekhawatiran Regulasi yang Meningkat untuk Manajemen Risiko Pihak Ketiga
Manajemen risiko pihak ketiga tetap menjadi fokus utama bagi regulator federal dan negara bagian di AS. Baru-baru ini, mereka telah menerapkan tindakan penegakan hukum terhadap lembaga keuangan, yang mengakibatkan denda miliaran dolar karena pelanggaran Undang-Undang Kerahasiaan Bank (BSA) dan kontrol risiko pihak ketiga yang kurang memadai. Tindakan-tindakan terbaru menunjukkan bahwa regulator semakin ketat dalam menuntut pertanggungjawaban lembaga keuangan terkait hubungan mereka dengan pihak ketiga, termasuk entitas fintech. Badan pengatur mengharapkan lembaga-lembaga ini untuk menerapkan praktik berbasis risiko dalam melakukan uji tuntas yang menyeluruh terhadap pihak ketiga dan secara terus-menerus memantau, menilai, serta mengendalikan risiko yang terkait dengan hubungan tersebut. Lembaga keuangan harus mematuhi standar manajemen risiko yang lebih tinggi Dalam 18 bulan terakhir, regulator telah semakin menajamkan perhatian mereka pada manajemen risiko pihak ketiga, dengan mengeluarkan panduan rinci serta berbagai perintah persetujuan. Pada Juni 2023, Kantor Pengawas Mata Uang (OCC), Dewan Cadangan Federal, dan Korporasi Asuransi Simpanan Federal (FDIC) menerbitkan panduan bersama mengenai manajemen risiko pihak ketiga untuk lembaga keuangan. Panduan ini berfungsi sebagai pedoman yang menetapkan dasar harapan regulasi dan bertujuan untuk secara efektif mengelola risiko yang terkait dengan hubungan pihak ketiga serta menerapkan praktik terbaik. Kurang dari setahun kemudian, OCC mengeluarkan perintah persetujuan terhadap sebuah bank regional di wilayah Atlantik Selatan setelah mengidentifikasi kelemahan dalam program manajemen risiko pihak ketiganya. FDIC menemukan bahwa sebuah fintech di wilayah timur laut terlibat dalam praktik perbankan yang tidak aman dan tidak sehat. FDIC mengeluarkan perintah persetujuan yang mencakup, antara lain, kegagalan bank tersebut dalam memiliki kontrol internal dan sistem informasi yang memadai sesuai dengan ukuran bank. Perintah ini juga mengaddress sifat, cakupan, kompleksitas, dan risiko dari hubungan pihak ketiga bank tersebut. Selain itu, FDIC mengeluarkan perintah persetujuan yang meminta sebuah bank regional di Midwest untuk mengembangkan kebijakan dan prosedur yang tepat dalam manajemen risiko pihak ketiga. Perintah tersebut juga meminta peningkatan dalam due diligence dan pemantauan pihak ketiga yang bertanggung jawab atas anti pencucian uang (AML) dan penanggulangan pendanaan terorisme (CFT). Manajemen risiko pihak ketiga memegang peranan penting dalam kepatuhan terhadap kejahatan finansial (FCC). Institusi sering mengandalkan penyedia layanan pihak ketiga untuk menjalankan kontrol kepatuhan terhadap kejahatan finansial (FCC) mereka. Seiring waktu, layanan pihak ketiga ini berkembang dari sekadar identifikasi berita negatif, pemantauan sanksi, dan pemantauan transaksi menjadi mencakup verifikasi identitas pelanggan, pembuktian data elektronik, penggunaan kecerdasan buatan generatif dalam manajemen kasus uji tuntas yang ditingkatkan, investigasi peringatan, dan penilaian risiko. Meskipun institusi mungkin memiliki pemantauan proses internal yang ketat, tanpa memperluas standar dan praktik tersebut ke pihak ketiga, mereka berisiko menerima pelanggan yang tidak sesuai, menutup peringatan yang salah, atau gagal melaporkan aktivitas mencurigakan. Institusi yang melakukan uji tuntas yang memadai atau penilaian risiko vendor secara berkala dapat menghindari risiko kepatuhan yang muncul akibat keterlibatan pihak ketiga. Meski penggunaan pihak ketiga menawarkan berbagai manfaat, penting bagi institusi keuangan untuk secara proaktif mengelola dan mengatasi risiko FCC yang ditimbulkan oleh pihak ketiga. Untuk itu, mereka perlu menerapkan program manajemen risiko pihak ketiga yang efektif, yang memungkinkan mereka untuk mengelola risiko dan memantau aktivitas pihak ketiga guna memastikan kepatuhan terhadap kewajiban regulasi mereka. Praktik Terbaik dalam Program Manajemen Risiko Pihak Ketiga Siklus hidup untuk memastikan pengawasan dan manajemen yang efektif terhadap pihak ketiga melibatkan tiga komponen utama dalam manajemen risiko: tinjauan due diligence, pemantauan berkelanjutan, dan penilaian risiko. Tinjauan Due Diligence (sebelum penerimaan pihak ketiga): Banyak institusi keuangan dapat memperkuat tinjauan kepatuhan mereka sebagai bagian dari proses due diligence saat menjalin hubungan dengan pihak ketiga baru. Seperti yang diuraikan dalam panduan antarlembaga terbaru, hal ini meliputi evaluasi efektivitas manajemen risiko secara menyeluruh dari pihak ketiga, termasuk kebijakan, proses, dan kontrol internal mereka. Penting juga untuk mmeriksa keselarasan mereka dengan kebijakan dan ekspektasi terkait aktivitas tersebut. Due diligence seharusnya juga mencakup penilaian terhadap teknologi yang digunakan oleh pihak ketiga untuk memastikan bahwa mereka tidak memperkenalkan risiko baru atau tambahan. Unit kepatuhan institusi keuangan dapat melakukan uji coba awal untuk menilai kualitas layanan yang diberikan. Langkah ini bertujuan memastikan bahwa pihak ketiga dapat beroperasi sesuai dengan batas toleransi risiko yang ditetapkan oleh institusi. Pemantauan Berkelanjutan: Pedoman antar-lembaga menetapkan standar untuk keamanan informasi, keselamatan, dan kesehatan dalam praktik terbaik pemantauan berkelanjutan. Regulator mengharapkan institusi keuangan untuk secara rutin memantau kinerja pihak ketiga selama masa hubungan. Tujuannya adalah untuk memastikan bahwa pihak ketiga memenuhi ekspektasi, mengidentifikasi jika ada perubahan yang diperlukan dalam hubungan tersebut, serta menyesuaikan kontrol risiko sesuai dengan perubahan yang terjadi. Aktivitas utama dalam fase pemantauan berkelanjutan meliputi: – Memantau indikator risiko utama (KRI) dan indikator kinerja utama (KPI) untuk memastikan kualitas layanan pihak ketiga yang terus-menerus. – Melaporkan metrik kepada komite tata kelola yang relevan atau petugas BSA secara berkala. – Melakukan pengujian yang diperlukan. – Menyelidiki dan menentukan penyebab masalah jika KRI atau KPI dilanggar, serta memantau perbaikan yang dilakukan. – Memantau risiko, masalah, dan kekhawatiran yang mungkin timbul dari pihak ketiga, serta memastikan kepatuhan terhadap perjanjian tingkat layanan (SLA). Penilaian Risiko: Sebuah lembaga keuangan dapat lebih baik menentukan profil risikonya untuk mengidentifikasi risiko kepatuhan terhadap kejahatan keuangan dengan meningkatkan penilaian risiko AML dan BSA tahunan yang ada. Mereka dapat mengidentifikasi risiko yang ditimbulkan oleh pihak ketiga dan memperkenalkan kontrol untuk mengurangi risiko tersebut. Selain itu, mereka juga dapat memetakan hubungan dengan persyaratan regulasi dan mendokumentasikan data kunci terkait pihak ketiga. Tidak semua pihak ketiga memerlukan tingkat ketelitian dan pemantauan yang sama, namun penilaian risiko keseluruhan terhadap pihak ketiga dapat membantu lembaga dalam menentukan pendekatan berbasis risiko yang sesuai. Tingkatkan pengelolaan risiko pihak ketiga Anda dengan IBM® Promontory Tim ahli kami berfokus pada perbaikan dan penguatan program pengelolaan risiko pihak ketiga. Layanan konsultasi kami dapat membantu organisasi Anda dalam menilai kebijakan dan prosedur pengelolaan risiko pihak ketiga. Kami juga dapat menilai sejauh mana program AML Anda mencakup pengelolaan risiko pihak ketiga untuk memastikan bahwa kebijakan tersebut sesuai dengan toleransi risiko organisasi Anda. IBM Promontory dapat membantu Anda mengembangkan program due diligence dan pemantauan berkelanjutan AML untuk memastikan kepatuhan terhadap undang-undang AML oleh pihak ketiga yang bertindak atas nama organisasi Anda. Kami juga dapat menilai template kontrak yang Anda gunakan dengan pihak ketiga untuk memastikan bahwa mereka mencakup kontrol AML. Selain itu,…
Generative AI bisa menjadi cara yang lebih cepat untuk menguji teori-teori tentang bagaimana alam semesta berfungsi.
IBM dan CERN menggunakan transformer deret waktu untuk memodelkan tabrakan partikel di penghambur partikel terbesar di dunia; ini bagian dari tujuan lebih besar untuk mengubah data observasional mentah menjadi wawasan yang dapat diambil tindakan. Materi biasa membentuk segala sesuatu yang kita ketahui tentang dunia, tetapi hanya mewakili 5% dari alam semesta. Sisanya terdiri dari partikel-partikel misterius yang ilmuwan sebut sebagai energi gelap dan materi gelap. Pencarian berkelanjutan untuk materi yang hilang ini sedang berlangsung di terowongan di bawah Pegunungan Alpen, di Large Hadron Collider (LHC) CERN. Partikel bermuatan dihancurkan bersama dengan kecepatan mendekati cahaya untuk mengungkap apa yang membentuk alam semesta dan bagaimana cara kerjanya. Partikel baru diciptakan dalam setiap tabrakan, dan saat mereka berinteraksi dengan detektor-detektor LHC, sub-partikel terbentuk dan diukur. Boson Higgs, yang terlibat dalam memberikan massa pada semua partikel lain, ditemukan dengan cara ini pada tahun 2012. Namun, sebelum mengumpulkan bukti fisiknya, ilmuwan menjalankan simulasi ekstensif untuk merancang eksperimen mereka, menginterpretasikan hasil, dan menguji hipotesis mereka dengan membandingkan hasil simulasi dengan observasi kehidupan nyata. CERN menghasilkan data sintetis dari simulasi sebanyak yang mereka lakukan dari eksperimen kehidupan nyata. Namun, simulasi ini mahal, dan semakin mahal seiring dengan peningkatan LHC dan detektor-detektornya untuk mempelajari lebih lanjut tentang Higgs dan meningkatkan kemungkinan menemukan partikel baru. Begitu selesai, eksperimen nyata dan pengganti CERN akan menghasilkan data yang jauh lebih banyak dan mengonsumsi daya komputasi yang jauh lebih besar. Untuk membantu mengatasi masalah ini, IBM baru-baru ini mulai bekerja dengan CERN untuk menerapkan model fondasi deret waktu mereka untuk memodelkan tabrakan partikel. Apa yang dilakukan oleh model bahasa besar (LLMs) untuk analisis teks, IBM berharap transformer deret waktu dapat melakukannya untuk tugas prediksi berdasarkan data nyata atau sintetis. Jika model AI dapat mempelajari proses fisik dari rangkaian pengukuran, bukan perhitungan statistik, ini dapat membuka jalan untuk prediksi yang lebih cepat dan lebih kuat dalam hampir setiap bidang. Fisika teoritis menjadi fokus IBM dengan CERN, tetapi proyek ini memiliki relevansi luas bagi setiap organisasi yang memodelkan perilaku sistem fisik yang kompleks. Model fondasi memiliki kekuatan untuk mengubah data sensor beresolusi tinggi yang mentah menjadi representasi digital dari realitas yang perusahaan dapat gali untuk cara baru memperbaiki produk atau operasi mereka. “Bagaimana saya dapat menyesuaikan proses manufaktur untuk menghasilkan lebih banyak kertas atau gula,” kata Jayant Kalagnanam, direktur aplikasi AI di IBM Research. “Berapa sering saya harus melakukan layanan pada sebuah mesin untuk memperpanjang umurnya? Dan apa cara terbaik untuk merancang sebuah eksperimen untuk mendapatkan hasil yang diinginkan? Model fondasi yang dapat ‘belajar’ proses fisik dari data observasional memungkinkan Anda mengajukan pertanyaan operasional yang sebelumnya tidak terjangkau.” Memodelkan proses fisik dari pengamatan daripada probabilitas statistic Banyak organisasi tenggelam dalam data sensor. Miliaran hingga triliunan pengamatan yang sangat detail bisa diubah menjadi wawasan berharga jika kita bisa melihat hutan di tengah pepohonan. Model fondasi sekarang membawa kejelasan ini ke dalam pemodelan dunia fisik seperti yang mereka lakukan untuk pemodelan bahasa alami dan gambar. IBM adalah yang pertama kali menerapkan transformer pada data deret waktu mentah dengan beberapa variabel pada tahun 2021. Pekerjaan ini menginspirasi gelombang model serupa tetapi antusiasme awal itu mereda setelah tim dari Hong Kong menunjukkan bahwa model regresi sederhana dapat lebih baik dalam berbagai tugas. Kekurangan utama dari transformer deret waktu awal itu adalah cara mereka memperlakukan pengukuran dalam waktu sama seperti kata-kata, seperti yang ditunjukkan tim. Ketika setiap langkah waktu diberi token dan dimasukkan ke dalam transformer, konteks lokal hilang. Kesalahan yang dihasilkan semakin bertambah saat jumlah variabel meningkat, dan risiko korelasi yang tidak bermakna juga meningkat. Masalah ini sebelumnya sudah diatasi dalam penyesuaian transformer untuk tugas-tugas visi seperti klasifikasi objek dan pengenalan adegan. Peneliti IBM melihat bahwa ide-ide yang sama bisa diterapkan pada peramalan deret waktu. Inovasi pertama IBM adalah mengelompokkan titik waktu berurutan menjadi satu token, sama seperti piksel-piksel tetangga dalam gambar digabungkan menjadi “patch” untuk mempermudah transformer dalam mencerna data. Memisahkan dan mengkonsolidasi langkah-langkah waktu dengan cara ini mempertahankan konteks lokal lebih banyak. Ini juga mengurangi biaya komputasi, mempercepat pelatihan, dan membebaskan memori untuk memproses lebih banyak data historis. Terobosan selanjutnya IBM adalah mempersempit mekanisme perhatian transformer yang luas. Daripada memodelkan interaksi semua variabel sepanjang waktu, cukup untuk menghitung interaksi mereka pada setiap langkah waktu. Korelasi yang disinkronkan waktu ini kemudian dapat diatur dalam bentuk matriks, di mana hubungan yang paling bermakna dapat diekstraksi. “Pikirkan sebagai grafik,” kata peneliti IBM Vijay Ekambaram. “Ini adalah peta bagaimana variabel-variabel saling berhubungan dan saling memengaruhi dari waktu ke waktu.” Model deret waktu PatchTSMixer yang efisien dari IBM telah terbukti mengungguli model peramalan lainnya hingga 60% sambil menggunakan dua hingga tiga kali lebih sedikit memori. Belajar bagaimana partikel sub-atomik berperilaku Memprediksi bagaimana partikel-partikel energi tinggi akan berkembang biak dalam penghambur adalah tugas yang tidak mudah. Perhitungan statistik diperlukan untuk memodelkan partikel yang dihasilkan dalam tabrakan awal, serta hujan ribuan hingga jutaan partikel sekunder yang diciptakan kemudian dalam detektor-detektor penghambur. Nasib setiap partikel harus dihitung satu per satu. Sinyal yang mereka tinggalkan dalam detektor digunakan untuk menyimpulkan identitas partikel target, momentum, dan properti lainnya. Perangkat lunak simulasi saat ini menyediakan perkiraan beresolusi tinggi, tetapi para peneliti berharap bahwa model fondasi dapat menyederhanakan perhitungan yang terlibat dan memberikan hasil yang dapat dibandingkan setidaknya 100 kali lebih cepat. Pekerjaan IBM dengan CERN difokuskan pada bagian detektor yang dikenal sebagai kalorimeter, yang mengukur posisi dan energi partikel-partikel hujan. Dengan menggunakan data sintetis dari simulasi masa lalu, IBM melatih model PatchTSMixer-nya untuk memahami bagaimana sebuah hujan tipikal terungkap. Nilai-nilai yang dimasukkan ke dalam model termasuk sudut dan energi partikel masuk, serta jumlah energi yang didepositkan di kalorimeter oleh hujan partikel sekunder. Ketika diminta untuk mereplikasi sebuah hujan dengan seperangkat parameter yang diinginkan, PatchTSMixer dapat dengan cepat memberikan perkiraan nilai energi akhir. “Setiap peristiwa hujan berbeda, dengan hasil yang ditentukan secara acak,” kata peneliti IBM Kyongmin Yeo. “Kami telah menyesuaikan model fondasi deret waktu kami untuk mensimulasikan peristiwa-peristiwa acak ini dengan mempelajari distribusi probabilitas menggunakan metode generatif.” Untuk berguna, perkiraan harus cepat dan akurat. “Hasilnya sejauh ini terlihat sangat menjanjikan,” kata Anna Zaborowska, seorang fisikawan di CERN. “Jika kita bisa mempercepat simulasi hujan tunggal hingga 100…