Agen kecerdasan buatan adalah salah satu topik terpenting dalam teknologi saat ini – tetapi berapa banyak perusahaan yang sudah Anda terbitkan dan digunakan secara aktif?

LinkedIn Dia berkata kepadanya dengan Asisten Asisten Asisten. Sistem rekomendasi umum dan penelitian di mana pekerjaan kecerdasan buatan melampaui, sumber agen AI di perusahaan dan perekrutan kandidat melalui antarmuka bahasa alami yang sederhana.

“Ini bukan produk eksperimental,” kata Deepak Agarawal, kepala petugas intelijen buatan di LinkedIn. VB mengonversi. “Ini hidup. Ini menghemat banyak waktu bagi karyawan sehingga mereka dapat menghabiskan waktu untuk melakukan apa yang benar -benar ingin mereka lakukan, yang mensponsori kandidat dan menggunakan talenta terbaik untuk posisi ini.”

Ketergantungan pada sistem multi -agen

LinkedIn mengambil pendekatan multi -agen, menggunakan apa yang digambarkan Agarwal sebagai sekelompok agen yang bekerja sama untuk menyelesaikan tugas. Agen pengawas mengatur semua tugas lain di antara agen lain, termasuk agen input dan sumber “hanya baik dalam satu pekerjaan.”

Semua komunikasi terjadi melalui agen pengawas, yang menerima input dari pengguna manusia mengenai kualifikasi peran dan detail lainnya. Agen ini kemudian memberikan konteks kepada agen sumber daya, yang menggunakan cerobong asap mencari perekrut dan kandidat, serta deskripsi tentang alasan mereka cocok untuk pekerjaan itu. Kemudian informasi ini dikembalikan ke agen pengawas, yang mulai berinteraksi dengan pengguna manusia.

“Lalu kamu bisa bekerja sama dengannya, kan?” Kata Agarawal. “Anda dapat memodifikasinya. Anda tidak lagi berbicara dengan sistem dasar dalam kata kunci. Anda dapat berbicara dengan platform dalam bahasa alami, dan Anda akan menjawab Anda, Anda akan melakukan percakapan dengan Anda.”

Agen kemudian dapat meningkatkan kualifikasi dan mulai mendapatkan sumber kandidat, dan bekerja untuk Direktur Ketenagakerjaan “secara bersamaan dan tidak ditentukan.” “Dia tahu kapan tugas harus didelegasikan ke agen mana pun, dan bagaimana mengumpulkan komentar dan menawarkan kepada pengguna,” kata Agarawal.

Dia menekankan pentingnya agen “manusia pertama” yang selalu mengendalikan pengguna. Tujuannya adalah untuk “memperdalam” pengalaman secara mendalam dengan kecerdasan buatan yang beradaptasi dengan preferensi, belajar dari perilaku dan terus berkembang dan meningkatkan setiap kali pengguna berinteraksi dengan mereka.

“Ini tentang membantu Anda menyelesaikan bisnis Anda dengan cara yang lebih baik dan lebih efisien,” kata Aguardus.

Bagaimana LinkedIn adalah sistem multi -agennya

Sistem multi -agen membutuhkan pendekatan pelatihan yang akurat. Tejas Dharamsi, Tejas Dharamsi, LinkedIn, Ringkasan Senior LinkedIn, LinkedIn, menjelaskan bahwa tim LinkedIn menghabiskan banyak waktu untuk akurat

Dia berkata: “Kami menanggung model terintegrasi lapangan dan membuatnya lebih kecil, lebih cerdas dan lebih baik untuk misi kami.”

Sementara agen pengawas adalah agen khusus yang membutuhkan kecerdasan tinggi dan kemampuan untuk beradaptasi. Agen LinkedIn dapat menggunakan model bahasa besar perusahaan (LLM). Ini juga termasuk pembelajaran penguatan dan komentar pengguna yang berkelanjutan.

Selain itu, pekerja memiliki “memori eksperimental”, seperti yang dijelaskan Agarwal, sehingga ia dapat menyimpan informasi dari dialog terakhir. Ini dapat mempertahankan memori jangka panjang tentang preferensi pengguna, dan diskusi yang mungkin penting untuk diingat nanti dalam proses ini.

Dia mengatakan: “Memori eksperimental, selain konteks global dan panduan cerdas, adalah jantung dari agen penyelia, dan terus meningkatkan dan meningkatkan melalui pembelajaran penguatan.”

Pengulangan selama kursus pengembangan agen

Daramsi menekankan bahwa dengan faktor kecerdasan buatan, jintan harus pada suatu titik. Sebelum menyebar dalam produksi, model LinkedIn dibangun untuk memahami jumlah kueri dalam yang kedua (QPS) dan jumlah unit pemrosesan grafis yang diperlukan untuk mengoperasikannya. Untuk menentukan faktor ini dan lainnya, perusahaan menjalankan banyak penalaran dan mengevaluasi, bersama dengan tim merah merah dan penilaian risiko.

Dia berkata: “Kami ingin model -model ini lebih cepat, dan bahwa agen Firaun melakukan tugas mereka dengan lebih baik, dan mereka dengan cepat melakukannya.”

Setelah diterbitkan, dari perspektif antarmuka pengguna, Dharamsi menggambarkan platform AI AI dari LinkedIn sebagai “blok Lego yang dapat dihubungkan dan dioperasikan oleh pengembang kecerdasan buatan.” Abstrak dirancang sehingga pengguna dapat memilih dan memilih berdasarkan produk mereka dan apa yang ingin mereka buat.

“Fokusnya di sini adalah bagaimana kami menyatukan pengembangan agen di LinkedIn, sehingga Anda dapat membangun hipotesis yang berbeda ini dengan cara yang berulang.” Sebaliknya insinyur dapat fokus pada data, peningkatan, kehilangan dan hadiah, bukan resep utama atau infrastruktur.

Daramsi mengatakan bahwa LinkedIn memberi para insinyur algoritma yang berbeda yang bergantung pada RL, kontrol yang tepat atas pengawasan, pemangkasan, jumlah, dan distilasi untuk digunakan di luar kotak tanpa khawatir tentang peningkatan GPU atau pengadukan, sehingga mereka dapat memulai algoritma dan pelatihan.

Dalam membangun model mereka, LinkedIn berfokus pada beberapa faktor, termasuk keandalan, kepercayaan, privasi, penyesuaian dan harga. Model harus memberikan output yang konsisten tanpa keluar dari kursus mereka. Pengguna juga ingin tahu bahwa mereka dapat mengandalkan agen untuk konsisten; Pekerjaan mereka aman. Reaksi sebelumnya digunakan untuk menyesuaikannya; Biaya ini tidak naik.

“Kami ingin memberikan nilai lebih kepada pengguna, lebih baik mengembalikan mereka dan melakukan hal -hal yang membawa mereka kebahagiaan, seperti pekerjaan,” kata Darmsey. “Para rekrutan ingin fokus pada sumber kandidat yang sesuai, tidak menghabiskan waktu dalam pencarian.”

Liv Golf memiliki tur globalnya di selatan, di mana ia memulihkan nama -nama besar dan bersaing dengan tim. Namun, pada akhir minggu ini di Dallas, fokusnya lebih dari permainan itu sendiri. Sementara nama -nama besar seperti Bryson DeChambeau dapat menerima berita utama surat kabar, liga memberi tahu Fox bahwa mereka sepenuhnya investor dalam yang mendapat kesempatan untuk menjadi bagian dari olahraga ini.

selama Golf Lev Kemungkinan, lepaskan, Siswa di seluruh wilayah DFW berpartisipasi dalam hari inspirasi dan kesenangan melalui kemitraan kerja di liga dengan bidang pendidikan setempat dan masyarakat amal. Ide di balik segalanya? Untuk meningkatkan peluang pendidikan, pekerjaan, dan pelatihan bagi para atlet muda dalam permainan golf.

Semuanya harus diketahui Liv Golf Dallas

“Ini memungkinkan mereka untuk membawa keragaman ke permainan, dan mengajarkan permainan kepada masyarakat yang mungkin tidak memiliki kesempatan untuk melakukan ini … tetapi juga untuk menunjukkan kepada dunia bahwa itu bukan hanya tentang olahraga dan bahwa seseorang adalah pemenang … tetapi ada banyak pelajaran hidup untuk berpartisipasi ketika Anda memainkan permainan golf atau belajar sesuatu yang baru,” jelas oleh Trissy Hardwick, Direktur Eksekutif Wing.

Anak -anak berlatih ayunan golf dengan positif dari Hyplyer GC. (Sarah Alegre)

Pada hari Rabu, anak -anak juga berpartisipasi dalam pelajaran golf dari para profesional itu sendiri – membuka pintu bagi para pemimpin.

“Saya pikir mencoba untuk memecahkan beberapa hambatan ini dan mendapatkan golf … semua orang sangat penting … tidak hanya untuk pertumbuhan permainan, tetapi untuk … masyarakat ini di sini untuk olahraga, sehingga mereka dapat bermain dan belajar,” kata Cameron Trengalie, Golf Livals GC.

Praison Deschampo mengagumi pertandingan Presiden Trump untuk golf

Anak -anak dari daerah DFW yang hebat menaruh gambar dengan pemain Hyflyers GC di Liv Golf. (Sarah Alegre)

Namun, ketika datang ke Kejuaraan, Golf Lev dan Fox Sports Browcaster Jerry Voltz mengatakan energinya berbeda.

“Mudah untuk mengatakan bahwa ini bukan kejuaraan golf golf Anda … ada permainan golf tingkat global di level tertinggi … tetapi ada suasana yang nyaman bagi para penggemar di sini.”

Lev Golf, Bintang Pembalasan dalam Kepemimpinan San Francisco

Budaya ini muncul di merch – disajikan secara khusus untuk mencocokkan lokasi masing -masing kejuaraan individu, dengan sorotan dari lapisan unik permainan tim.

“Anda tahu bahwa dia adalah tim yang mengikuti, tetapi dia juga memiliki pemain follow -up, yang merupakan desain follow -up,” kata André Williams.

Tapi itu tidak hanya terkait dengan apa yang dikenakan penggemar, tetapi siapa di sini, dan orang -orang yang menjaga permainannya tajam – seperti Ben Ghetta, yang dikenal sebagai Dokter Klub. Satu atau dua gelar? Giunta memperbaikinya dan siap untuk permainan.

Klik di sini untuk mendapatkan aplikasi Fox News

“Pemain datang dengan beberapa ketidakpastian. “Mereka pergi dengan sedikit lebih percaya diri pada apa yang sudah mereka gunakan sehingga mereka dapat keluar dan melakukan,” jelas: “Mereka pergi dengan sedikit lebih percaya diri pada apa yang sudah mereka gunakan sehingga mereka dapat keluar dan tampil,” jelas: “Mereka pergi dengan sedikit lebih percaya diri pada apa yang sudah mereka gunakan sehingga mereka dapat keluar dan tampil,” jelas.

Wal Mart Langkah -langkah langkah untuk memecahkan kode untuk menyebarkan AI AI di seluruh lembaga. Punya Rahasia Mereka? Berurusan dengan kepercayaan sebagai persyaratan teknik, bukan beberapa kotak opsi kepatuhan yang Anda masukkan pada akhirnya.

Selama “Kepercayaan dalam Algoritma: Bagaimana AIC Wall Mart Mendefinisikan Kepercayaan Konsumen dan Kepemimpinan Ritel” VB mengonversi 2025Dan Wakil Presiden Wall Mart Technology Disrée Gosby menjelaskan bagaimana raksasa ritel itu Ribuan kecerdasan buatan digunakan. Salah satu tujuan utama toko ritel adalah untuk menjaga kepercayaan pelanggan dan terus meningkatkannya antara 255 juta pembeli mingguan.

“Kami melihat ini sebagai titik balik yang hebat, sangat mirip dengan internet,” Joseby, analis industri, Susan Emanger, mengatakan selama sesi pada Selasa pagi. “Ini dalam hal bagaimana kita benar -benar akan bekerja, dan bagaimana kita benar -benar bekerja.”

Sesi ini memberikan pelajaran berharga dari pengalaman menyebarkan kecerdasan buatan di Walmart. Melalui diskusi, selama diskusi, penelitian berkelanjutan raksasa ritel tentang cara -cara baru untuk menerapkan prinsip -prinsip struktur sistem terdistribusi, sehingga menghindari penciptaan hutang teknis.

Struktur kerangka kerja tempat keempat

AI Walmart menolak platform horizontal untuk solusi pemangku kepentingan target. Setiap set alat yang dirancang untuk tujuan ini menerima gesekan operasional tertentu.

Pelanggan terlibat Sparkian Untuk berbelanja dalam bahasa alami. Kolega lapangan mendapatkan alat peningkatan inventaris dan alur kerja. Pedagang mencapai sistem pendukung keputusan untuk mengelola kategori. Penjual menerima kemampuan integrasi bisnis. “Dan tentu saja, kami memiliki pengembang, seperti yang Anda tahu, seperti yang Anda tahu, memberi mereka kekuatan besar dan mengirimkannya, seperti yang Anda tahu, agen baru alat,” Josby menjelaskan.

“Kami memiliki ratusan, jika tidak ribuan, dari berbagai kasus penggunaan di seluruh perusahaan yang kami tawarkan untuk hidup,” pernyataan Joseby. Ukuran itu membutuhkan disiplin arsitektur yang tidak dimiliki sebagian besar lembaga.

Ritel ini mengakui kebutuhan dasar bagi masing -masing tim di Walmart untuk mendapatkan alat yang dirancang untuk tujuan ini untuk fungsinya yang ditentukan. Mitra toko perlu mengelola inventaris ke berbagai alat pedagang yang menganalisis tren regional. Platform publik gagal karena mereka mengabaikan realitas operasi. Privasi Wall Mart membayar adopsi melalui kepentingan, bukan mandat.

Ekonomi Keyakinan Memimpin Adopsi Kecerdasan Buatan di Wall Mart

Walmart telah menemukan bahwa kepercayaan diri dibangun dengan memberikan nilai, tidak hanya program pelatihan wajib yang menghubungkannya, kadang -kadang, nilainya.

Gema dari contoh Josby karena telah menjelaskan perkembangan ibunya dari kunjungan toko mingguan ke proses pengiriman yang berasal dari era Kofid, yang menunjukkan dengan tepat bagaimana adopsi alami bekerja. Setiap langkah disajikan segera dan berwujud. Tidak ada gesekan, tidak ada manajemen perubahan paksa, namun kemajuan terjadi lebih cepat daripada yang bisa diprediksi oleh siapa pun.

“Dia berinteraksi dengan kecerdasan buatan sepanjang waktu,” Josby menjelaskan. “Fakta bahwa dia bisa pergi ke toko dan mendapatkan apa yang diinginkannya, ada di rak. Kecerdasan buatan digunakan untuk melakukannya.”

Manfaat yang diperoleh pelanggan dari visi Walmart tercermin dalam bisnis Gosby. “Alih -alih harus pergi setiap minggu, mengenal bahan makanan yang perlu Anda kirimkan, bagaimana jika mereka tampak secara otomatis?” Ini adalah inti dari perdagangan prediktif dan bagaimana memberikan nilai secara luas untuk setiap pelanggan Walmart.

“Jika Anda menambah nilai untuk kehidupan mereka, maka membantu mereka menghilangkan gesekan, dan membantu mereka menghemat uang dan hidup lebih baik, yang merupakan bagian dari misi kami, maka kepercayaan datang,” kata Josby. Fellows mengikuti gaya yang sama. Ketika kecerdasan buatan benar -benar meningkatkan pekerjaan mereka, itu menghemat waktu mereka dan membantu mereka untuk unggul, adopsi terjadi secara normal dan kepercayaan diri diperoleh.

Tekanan kursus mode dari bulan hingga berminggu -minggu

Arah Walmart ke sistem produk menentukan nilai operasional penuntutan. Platform ini mengumpulkan sinyal media sosial, perilaku pelanggan, dan pola regional untuk mengurangi pengembangan produk dari bulan menjadi minggu.

Josby mengungkapkan: “Kami telah mencapai arah produk dari bulan hingga berminggu -minggu untuk mendapatkan produk yang sesuai untuk pelanggan kami.” Sistem menciptakan produk respons terhadap waktu aktual alih -alih data historis.

Tekanan dari bulan hingga dua minggu berubah menjadi ekonomi ritel di Walmart. Inventaris mengubah akselerasi. Paparan pengurangan. Efisiensi modal setara. Perusahaan mempertahankan pendorong harga sambil mencocokkan kemampuan pesaing kecepatan apa pun ke pasar. Setiap kategori kecepatan tinggi dapat mengambil manfaat dari penggunaan kecerdasan buatan untuk mengurangi waktu pasar dan membuat keuntungan pengukuran kuantitatif.

Cara menggunakan protokol MCP untuk membuat struktur faktor perkembangan

Pendekatan Walmart didasarkan pada agen pada sinkronisasi langsung dari pengalamannya yang keras -untuk -diri dengan sistem terdistribusi. Perusahaan menggunakan MCP Context Protocol (MCP) untuk menyatukan bagaimana agen berinteraksi dengan layanan saat ini.

“Kami membongkar bidang kami dan benar -benar melihat bagaimana kami membungkus hal -hal itu seperti protokol MCP, kemudian mendeteksi hal -hal yang kemudian dapat kami mulai mengatur berbagai faktor,” Joseby menjelaskan. Strategi mengubah infrastruktur saat ini daripada menggantinya.

Filsafat arsitektur bekerja lebih dalam daripada protokol. “Perubahan yang kita lihat hari ini sangat mirip dengan apa yang kita lihat ketika kita pindah dari sistem yang ringkas ke sistem terdistribusi. Kami tidak ingin mengulangi kesalahan ini,” kata Josby.

Joseby memilih persyaratan implementasi: “Bagaimana Anda menganalisis domain Anda? Apa server MCP yang Anda miliki? Di Walmart, keputusan representasi ini adalah harian, bukan latihan teoretis.

“Kami berharap dapat mengambil infrastruktur kami saat ini, membongkar itu, dan kemudian menyampaikannya kembali dalam agen yang ingin dapat membangun,” jelas Josby. Pendekatan untuk penyatuan pertama ini memungkinkan fleksibilitas. Layanan yang telah dibangun bertahun -tahun yang lalu sekarang pengalaman agen energi melalui lapisan abstraksi yang sesuai.

Inteprise Intelligence menjadi

Walmart memperkuat kontrak karyawan, menjadikannya komponen penting dari peningkatan kemampuan kecerdasan buatannya. Perusahaan secara sistematis mewujudkan pengalaman kelompok ribuan pedagang, menciptakan keunggulan kompetitif yang tidak dapat menandingi penjual ritel digital.

“Kami memiliki ribuan pedagang yang sangat baik dalam apa yang mereka lakukan. Mereka adalah ahli dalam kelompok yang mereka dukung,” jelas Josby. “Kami memiliki dealer keju yang tahu persis anggur apa yang akan terjadi atau apa yang terkait dengan keju, tetapi data ini tidak harus ditangkap secara terorganisir.”

AI menjalankan pengetahuan ini. “Melalui alat yang kami miliki, kami dapat mengambil pengalaman yang benar -benar mereka miliki kepada pelanggan kami,” kata Joseby. Aplikasi ini spesifik: “Ketika mereka mencoba mengetahui bahwa, hei, saya perlu mengadakan pesta, makanan pembuka seperti apa yang harus saya dapatkan?”

Senyawa fitur strategis. Kontrak pengalaman komersial tersedia melalui informasi linguistik alami. Pengecer digital pertama tidak memiliki lembaga pengetahuan manusia ini. 2,2 juta Walmart mewakili peserta intelijen properti yang tidak dapat mengumpulkan algoritma secara mandiri.

Mengukur skala baru kesuksesan mandiri

Wal -Mart Mart Rowad Systems dirancang untuk kecerdasan buatan independen alih -alih operasi manusia. Langkah -langkah represi tradisional gagal ketika agen berurusan dengan alur kerja untuk memberi tip.

“Di dunia agen, kami mulai mengerjakan ini, dan itu akan berubah.” “Standar tentang konversi dan hal -hal seperti itu, itu tidak akan berubah, tetapi kami akan mempertimbangkan untuk menyelesaikan tujuan.”

Transformasi mencerminkan realitas operasional. “Apakah kita sudah mencapai tujuan akhir apa rekan kerja kita, yang sudah diselesaikan oleh pelanggan kita?” Josby bertanya. Pertanyaannya merumuskan ulang pengukuran keberhasilan.

“Pada akhirnya, itu adalah ukuran, apakah kita memberikan minat? Apakah kita menawarkan nilai yang kita harapkan, maka kita bekerja dari sana untuk mengetahui standar yang benar terutama?” Josby menjelaskan. Solusi masalah lebih penting daripada kepatuhan terhadap proses. Cara membantu klien kecerdasan buatan mencapai tujuan prioritas mereka di jalur konversi.

Pelajaran Yayasan Dari Transformasi Kecerdasan Buatan di Walmart

Sesi Transformasi 2025 Walmart menyediakan kecerdasan praktis untuk menerbitkan AI dari yayasan. Pendekatan operasional perusahaan memberikan kerangka kerja otentik yang luas.

• Penerapan disiplin arsitektur sejak hari pertama. Transformasi dari Zaman Batu Homogen memberikan sistem terdistribusi Wal -Mart dengan pelajaran yang Anda butuhkan untuk belajar sukses dalam menyebarkan kecerdasan buatan. Pelajaran utama yang dipetik adalah membangun fondasi yang tepat sebelum meningkatkan dan mengidentifikasi pendekatan sistematis yang mencegah reformulasi yang mahal.
• Solusi cocok dengan kebutuhan pengguna tertentu. Kecerdasan buatan gagal untuk kecerdasan buatan setiap saat. Mitra toko membutuhkan alat yang berbeda dari pedagang. Pemasok membutuhkan kemampuan yang berbeda dari pengembang. Pendekatan yang ditargetkan Wall Mart membayar adopsi.
• Membangun kepercayaan melalui nilai yang terbukti. Mulailah dengan kemenangan yang jelas yang memberikan hasil yang dapat diukur. Walmart pindah dari manajemen inventaris dasar ke perdagangan prediktif demi langkah. Setiap keberhasilan menghasilkan visi dan pengetahuan orang lain.
• Mengubah pengetahuan karyawan menjadi aset lembaga. Ada kontrak untuk pengalaman khusus dalam organisasi Anda. Walmart secara sistematis mengambil intelijen komersial dan menjalankannya melalui 255 juta transaksi mingguan. Pengetahuan institusional ini menciptakan keunggulan kompetitif yang tidak dapat diulangi algoritma dari awal.
• Mengukur apa yang penting dalam sistem independen. Tingkat transformasi kehilangan titik ketika kecerdasan buatan berurusan dengan seluruh alur kerja. Fokus pada pemecahan masalah dan pengiriman nilai. Standar Wall Mart telah berevolusi untuk mencocokkan realitas operasional.
• Standardisasi sebelum kompleksitas. Kegagalan integrasi telah membunuh lebih banyak proyek lebih dari kode yang buruk. Keputusan protokol Wall Mart mencegah kekacauan yang menghalangi sebagian besar inisiatif kecerdasan buatan. Struktur memungkinkan kecepatan.

“Dia selalu kembali ke dasar -dasarnya,” saran Josby. “Ambil langkah mundur dan pahami terlebih dahulu, apa masalah yang benar -benar perlu Anda selesaikan untuk pelanggan Anda, untuk mitra kami. Di mana ada? Di mana ada pekerjaan manual yang sekarang dapat Anda mulai pikirkan secara berbeda?”

Wal -Mart yang direncanakan standar di balik ritel

Walmart menjelaskan bagaimana perusahaan AI berhasil melalui disiplin teknik dan penerbitan sistematis. Perusahaan memproses jutaan transaksi harian di 4.700 toko dengan berurusan dengan masing -masing kelompok pemangku kepentingan sebagai tantangan terkemuka yang membutuhkan solusi dalam waktu yang sebenarnya.

“Itu meresapi semua yang kita lakukan,” Josby menjelaskan. “Tetapi pada akhirnya, cara kita memandang adalah untuk selalu memulai dengan pelanggan dan anggota kita dan benar -benar memahami bagaimana hal itu akan memengaruhi mereka.”

Kerangka kerja mereka berlaku melalui industri. Organisasi jasa keuangan yang menyeimbangkan kebutuhan pelanggan dengan persyaratan peraturan, dan mengoordinasikan sistem sistem perawatan kesehatan dengan layanan melalui penyedia layanan, produsen yang mengelola rantai pasokan yang kompleks semuanya menghadapi tantangan serupa dari pemangku kepentingan. Pendekatan Walmart memberikan metodologi sepele untuk mengatasi kompleksitas ini.

“Pelanggan kami berusaha memecahkan masalah untuk diri mereka sendiri. Sama untuk mitra kami,” kata Josby. “Apakah kita benar -benar menyelesaikan masalah ini dengan alat -alat baru ini?” Fokus pada pemecahan masalah ini alih -alih penyebaran teknologi mengarah pada hasil yang terukur. Skala Walmart memverifikasi keaslian pendekatan lembaga siap pakai untuk mengatasi program eksperimental.