Forbes Technology Council
PulseAugur coverage of Forbes Technology Council — every cluster mentioning Forbes Technology Council across labs, papers, and developer communities, ranked by signal.
- employed by Jagadish Gokavarapu 70%
- employed by Joel Frenette 70%
- affiliated with Vibhor Kapoor 70%
- affiliated with Wissen Infotech 50%
- affiliated with Jagadish Gokavarapu 50%
- affiliated with Salice Thomas 50%
- affiliated with Joel Frenette 50%
- affiliated with Marc Fischer 50%
- affiliated with Anna Drobakha 50%
- employed by Mahendran Chinnaiah 50%
- affiliated with Margarita Simonova 50%
- affiliated with Andrew Siemer 50%
5 天有情绪数据
-
AI驱动的策略，用于扩展非结构化数据分类
为了在不压垮手动工作的情况下有效扩展非结构化数据分类，建议组织利用AI进行初始标记，并由人类专家进行最终审查。策略包括根据使用情况对数据进行优先级排序，专注于业务关键信息，并将分类直接嵌入数据工作流。在专家标记的数据上训练AI模型并建立一致的数据框架也是有效管理安全、合规性和访问需求的关键。
-
评估软件价值：投资回报率下降的迹象和节省成本的策略
随着企业越来越多地依赖多种软件工具，定期评估其价值（超越基本功能）至关重要。表明某款软件工具可能不再具有成本效益的迹象包括：采用率下降、尽管购买了席位但登录次数很少，以及团队诉诸变通方法或将关键任务迁移到其他平台（如电子表格或通信应用程序）。应主动进行价值评估，最好每季度进行一次，重点关注软件是否仍然能推动关键业务指标并支持当前工作流程，而不是等到续订期。
-
企业必须通过关注成本降低和实用性来证明沉浸式技术投资的合理性
评估沉浸式技术的商业价值需要企业超越新颖性，关注切实的益处。关键问题包括该体验是否能降低客户成本、显著改善结果，或提供传统数字渠道无法提供的价值。公司还应考虑基于实用性而非奇观的价值创造和用户留存所需的网络密度。此外，潜在的数据责任，特别是关于生物识别和空间数据，必须与预期回报进行权衡。
-
渗透测试的价值远超合规性：专家揭示如何最大化安全效益
渗透测试的价值远超单纯的合规性要求，但组织常常将其视为简单的通过/失败练习而错失了其潜在价值。专家建议，应根据实际业务风险而非仅凭自动化评级来优先处理发现的问题，并将测试范围从强制性系统扩展到关键数据和业务依赖项。至关重要的是将漏洞映射到攻击路径，解决根本原因和控制缺陷，并严格重新测试发现的问题，以确保修复有效且具有弹性。最终，渗透测试应促进持续学习循环，推动架构和团队行为的改进，以增强整体安全态势。
-
量子技术首次实际应用有望在传感器、材料和安全领域取得突破
量子技术有望通过专业应用而非通用量子计算机带来实际价值。预计早期突破将出现在增强型重力及磁场传感器领域，用于导航和资源勘探，以及用于基础设施项目的地下勘测。材料科学和医疗流程优化也有望早期受益，改善电池设计、催化剂和运营效率。此外，量子人工智能有望加强网络安全防御，而量子解密的迫在眉睫的威胁已在推动数据保护基础设施的必要现代化。
-
人工智能现在决定了客户体验中的人类接触点 · Forbes
人工智能越来越多地在人类互动之前影响客户体验，系统会预测意图、精选产品短名单并路由咨询。这些由人工智能驱动的决策可以个性化旅程、优化优惠并确定客户的最佳下一步行动。领导者必须确保这些自动化流程透明、公平并符合战略目标，以建立信任并提高满意度。
-
AI工具和设计原则旨在减少用户摩擦和数字疲劳
设计师正通过使技术适应用户熟悉的行为并最小化上下文切换来专注于减少用户摩擦和数字疲劳。关键策略包括减少不必要的点击、呈现下一个合乎逻辑的操作、将产品集成到用户首选的工具（如Slack或ChatGPT）中，以及跨不同应用程序和设备保存用户进度。目标是创造更无缝、更不费力的数字体验，让用户能够专注于他们的任务，而不是导航复杂的流程。
-
项目路线图若不更新，则有误导风险
项目路线图若不适应不断变化的优先级、资源和假设，可能会变得具有误导性。警示信号包括：已知风险被忽视、团队停止使用路线图、已完成的里程碑掩盖未完成的工作，以及忽视组织变革的能力。为保持准确性，项目经理必须确保路线图反映现实、透明地暴露风险，并将里程碑与切实成果对齐。
-
科技领袖分享以隐私为先的公共安全策略
通过专注于模式检测而非个人监控，技术可以在不损害隐私的情况下增强公共安全。专家建议使用去标识化数据、对敏感信息的本地处理以及匿名传感器来识别危险和风险。将合规性融入技术设计以及建立数据收集和保留的明确限制对于维持公众信任至关重要。
-
零信任策略的成功取决于降低风险，而非复杂性
实施零信任安全策略不仅仅是增加访问控制层；它需要严格验证每个用户、设备和连接。真正的成功体现在访问决策变得更精确、更高效，限制不必要的权限，并降低泄露的潜在影响。组织可以通过观察更小的泄露范围、更少的影子 IT 以及更少的用户投诉来衡量其零信任模型的有效性，同时保持运营效率。
-
老龄科技行业领袖提议为退休人员推出新金融产品
老龄科技行业的领袖们正在识别退休人员未被满足的需求，并提出创新的金融产品和服务。这些建议包括混合抵押贷款-长期护理产品、允许补缴的灵活养老金解决方案，以及整合财务、健康和生活方式指导的综合寿命规划平台。其他想法侧重于通过以未来退休资产为抵押的贷款来资助“第二次职业生涯”，利用人工智能礼宾服务来应对退休的复杂性，以及涵盖持续再培训以维持就业能力的保险产品。
-
人工智能重塑入门级技术岗位以培养判断力
随着人工智能越来越多地处理常规任务，科技公司正在重新思考入门级岗位，以确保初级员工仍能培养关键的判断力。专家建议重新设计岗位，使其侧重于诊断、解释和决策制定，而不仅仅是输出生成。这包括让新员工对结果负责，允许他们做出可逆的决策，并让他们对人工智能辅助的工作负责，从而培养未来领导者所需的关键技能。
-
人工智能教育框架侧重于建立信任和批判性思维能力
教育工作者正在开发框架和技能，以帮助学生建立对人工智能系统的校准信任。一种方法，ICE-T，整合了表征模式、计算思维和解释过程，以培养对人工智能的适当依赖。另一种观点强调教授学生批判性思维技能，例如质疑人工智能的输出、理解概率、保持独立思考以及在使用人工智能工具之前评估隐私影响。
-
遗留技术：何时旧系统仍是战略性业务资产
如果旧技术能够可靠地支持业务运营，并且其价值超过了维护成本，那么它仍然可以成为一项战略资产。关键指标包括其改善业务经济性的能力、作为关键数据的可信来源、以及有效执行或扩展的能力。此外，如果真实用户依赖遗留系统，它们能够保留难以复制的业务洞察，或者团队能够自信地更新和改进它们而不减缓创新速度，那么它们仍然具有价值。
-
敦促消费者审查除速度和价格之外被忽视的 ISP 细节
消费者在选择互联网服务提供商 (ISP) 时，常常会忽略关键细节，而专注于宣传的速度和价格。专家建议关注网络可靠性、数据保留和共享政策以及 DNS 隐私，以确保更好的性能、安全性和隐私。此外，了解数据上限、限速、上传速度和端口阻止政策可以避免兼容性问题和意外费用，同时建议使用自己的路由器而不是租用 ISP 的路由器。
-
人工智能助长针对品牌的欺诈域名激增
人工智能和其他进步显著降低了发起基于域名的网络攻击的门槛，使恶意行为者能够以前所未有的规模进行操作。攻击者通过四种主要方法利用品牌信任：“品牌加一”（Brand-Plus）域名在品牌名称后附加修饰符，“仿冒域名”（Look-alikes）使用细微的拼写或字符变体，“精确匹配泛滥”（Exact-Match Sprawl）使用不同的域名后缀注册品牌名称，以及“域名集群”（Domain Swarms）利用人工智能注册大量相似域名。这些策略越…
-
医疗AI采用风险：网络安全和隐私问题凸显
人工智能在医疗工作流程中的集成，虽然有望提高效率，但带来了重大的网络安全和隐私风险。专家们强调了诸如不支持的编码、PHI泄露以及由于AI幻觉导致的计费和编码错误诊断等问题。此外，基于RAG的患者数据搜索可能会造成隐藏的隐私漏洞，而自动患者通知如果未正确屏蔽，则存在侵犯隐私的风险。跨系统患者记录链接和远程患者监控如果管理不当，没有强大的安全控制和人工监督，也会带来漏洞。
-
公司在定义首席人工智能官角色时面临挑战，存在摩擦和重叠风险
随着人工智能融入企业运营，越来越多的公司开始任命首席人工智能官（CAIO）。然而，如果缺乏明确的职责和汇报结构定义，这可能导致重复劳动和决策缓慢。专家建议不要将CAIO角色视为永久性职位，而应随着人工智能的采用而演变，并与具体的业务成果挂钩，而不仅仅是技术。关键在于将数据所有权与人工智能问责制相结合，并明确人工智能失败的责任归属，以防止摩擦并确保进展。
-
AI战略重心从强大转向实用，聚焦商业任务
企业越来越发现，更简单、更专业的AI模型，通常被称为“足够好”的AI，在特定任务上比最强大、最前沿的模型更有效。这些简化的方法在文档处理、IT服务台请求和联络中心请求分类等常规操作中，提供了更好的性能、速度和成本效益。重点正从纯粹的模型能力转向实际应用，其中降低延迟、数据保护和结果可复现性等因素的优先级高于不必要的复杂性。
-
AI推动供应链管理从可见性走向预测性
供应链管理的未来在于“决策编排”，超越简单的可见性，转向能够预测和适应中断的智能系统。大型语言模型是这一演进的关键，因为它们可以处理来自电子邮件和报告等各种来源的海量结构化和非结构化数据，从而提供可操作的上下文。虽然大型语言模型提供了强大的见解，但其输出必须以真实的企业数据和业务规则为基础，以确保可信度并避免幻觉，最终通过更好的信息赋能人类规划者做出更有效的决策。