WWE Drew McIntyre Star kembali ke ring di “Night Night Smackdown” minggu lalu mengenakan kemeja yang ingin membuatnya.

McIntyre mengenakan kemeja dengan frasa “bosan di tempat kerja” di latar depan.

Itu adalah salah satu publikasi media sosial terkenal yang diluncurkannya di WrestleMania 40 selama pertandingan kejuaraan kelas berat dunia melawan Seth Rollins. Dia menulis lagi selama pertandingan melawan Damian Brest selama pertandingan Recytmania 41, kali ini menambahkan “LOL” ke akhir.

Klik di sini untuk lebih banyak liputan olahraga di foxnews.com

“Saya ketekunan ketika saya tahu sesuatu untuk bekerja, ketika saya tahu sesuatu diklik,” kata Fox News Digital tentang mendapatkan kemeja. “Tampaknya angka -angka itu tidak sepenuhnya melakukannya untuk beberapa orang yang membuat keputusan ini. Tetapi sekali lagi, selama waktu ini, saya memiliki visi yang jelas tentang apa yang saya inginkan dan apa yang saya pikir akan berhasil. Untungnya, kita semua mencapai halaman yang sama.

WWE bermitra dengan Maybelline New York sebelum acara Live Premium Bersejarah

Drew MacInterre menatap lawannya. (WWE)

“Aku punya kemeja, dan keindahannya – apakah itu konyol atau tidak? Orang -orang memakainya ke fungsi mereka yang sebenarnya. Ini yang kamu katakan kepada bosmu. Ini konyol … atau apakah itu? Ini adalah hal yang menyenangkan tentang hal itu, dan semua ini berasal dari tweet Wrestlemania.”

Kemeja McIntyre adalah salah satu penjual terbaik di toko WWE.

Klik di sini untuk mendapatkan aplikasi Fox News

Drew McIntyre diperkenalkan sebelum Sin City Street bertempur melawan Damian Priest melalui Wrestlemania 41 pada 20 April 2025, di Las Vegas. (Ethan Miller/Getty emus)

“Scottish Warrior” Randy Orton akan menghadapi acara utama pada Sabtu malam. Ini akan menjadi pertandingan pertamanya sejak ia naik melawan imam di kandang baja pada bulan Mei.

Digital Fox News Cakupan Olahraga di X Dan berlangganan Newsletter Fox News Sport Hold.

Sementara agensi AI jelas merupakan titik balik dalam interaksi komputer manusia, dan transisi dari penggunaan alat untuk kerja sama, langkah selanjutnya adalah untuk benar -benar mengintegrasikan faktor -faktor ini dan memperoleh nilai. Di VentureBeat Transfer 2025Matthew Krob, direktur administrasi dan mitra senior di BCG, mempresentasikan rencana permainan untuk pengembangan alur kerja, akreditasi karyawan dan perubahan organisasi.

“Perusahaan di bagian atas kurva ini – apa yang kami sebut di masa depan, dan perusahaan yang paling matang – Anda melihat hasil besar: 1,5 kali pertumbuhan pendapatan, dan itu adalah nilai 1,8 kali untuk pemegang saham.” “Ada nilai di sini, tapi kita lebih awal.”

Penerbitan, Reshape, Diciptakan

Untuk menguntungkan dan menciptakan nilai dengan kecerdasan buatan dan dengan agen, perusahaan perlu menentukan tempat fokus, menggunakan bingkai publikasi, pembentukan kembali, dan menciptakan. Kecerdasan buatan sudah diterbitkan di setiap lembaga, dan mereka akan memiliki agen selama beberapa tahun ke depan. Tetapi jika Anda diberikan karyawan chatbot, itu tidak akan mengubah cara pekerjaan dilakukan. Anda harus memikirkan kembali pekerjaan, pembentukan kembali pekerjaan, departemen, dan alur kerja dengan menentukan tempat kerja manusia.

“Kami menyarankan perusahaan saat ini untuk fokus pada tiga atau empat batu besar Anda. Jika Anda memiliki institusi besar untuk mendukung pelanggan, Anda harus menerapkan kecerdasan buatan dalam dukungan pelanggan. Ini memiliki dampak besar. Jika Anda memiliki lembaga teknik yang hebat, Anda harus menggunakan alat seperti Windsurf untuk membentuk kembali metode yang Anda lakukan dalam rekayasa, dan mengembangkan perangkat lunak.”

Penemuan ini masih sangat awal, tetapi lembaga harus mempertimbangkan bagaimana menggunakan kemampuan kecerdasan buatan untuk menjadi kreatif, alasan dan perencanaan. Lihatlah layanan dan produk, dan bagaimana Anda berinteraksi dengan pelanggan: dapatkah Anda menemukan kembali kemampuan tersebut? “

Misalnya, L’Oreal Makeup Company meluncurkan konsultan kecantikan virtual untuk memperluas ruang lingkup layanan eksklusif di luar situs ritel mereka, kembali ke cara mereka berpikir tentang berinteraksi dengan pelanggannya dalam skala besar.

Berpikir di balik penggunaan dasar

Penting untuk memikirkan bagaimana mengubah kecerdasan buatan dari karya Anda. Ada banyak fokus dalam dua tahun terakhir untuk mengurangi biaya dengan mengganti pekerja, tetapi ini bukan pemikiran besar dalam gambar. AI saat ini memompa karyawan yang Anda miliki, yang sangat meningkatkan produktivitas mereka.

“Inilah yang kita lihat dalam mengembangkan perangkat lunak,” katanya. ))

Dalam sebuah penelitian yang dilakukan oleh BCG dengan Harvard, Wharton dan MIT, mereka meminta 750 faktor pengetahuan untuk menulis rencana komersial dan pemasaran, dengan dan tanpa Toulidi AI. Peserta yang menggunakan GPT4 melakukan 25 % lebih cepat, menyelesaikan 15 % dari tugas, dan kualitas produksinya 40 % lebih baik. Ketika LLM diberikan, berkinerja lebih rendah di lini foundation dan kinerja terbaik.

Dia berkata: “Kinerja semua orang, yang sangat kuat, telah mengangkatnya, karena di sebagian besar organisasi, tukang kayu baru kurang efektif daripada orang yang paling berpengalaman.” “Ini memiliki kemampuan untuk meningkatkan waktu untuk efisiensi.”

Kecerdasan buatan dapat melampaui ukuran manusia, bahkan membuka aplikasi baru yang tidak mungkin sebelumnya. Misalnya, di ruang medis, hasil pasien sangat ditingkatkan melalui tindak lanjut sebelum operasi dan pasca operasi dari seorang perawat, tetapi implementasi ini mahal-sampai penampilan perawat kecerdasan buatan yang dapat mengambil tugas ini untuk pasien besar untuk pasien.

Mengatasi: Adopsi

Meskipun alat -alat ini hebat, orang tidak menggunakannya. BCG melacak adopsi skala kopilot GitHub dan standar produksi lembaga yang berisi sekitar 10.000 insinyur perangkat lunak. 5 % terbaik dari produktivitas produktivitas dua kali lipat dalam empat bulan, sementara 60 % menunjukkan peningkatan nol, karena mereka tidak mengadopsi alat sama sekali.

Mengapa orang tidak mengadopsi? Ada tiga alasan. Yang pertama adalah kemampuan untuk ketidaktahuan. Kedua, stagnasi biasanya. Yang ketiga adalah ancaman identitas, dan ini adalah yang paling sulit untuk diatasi. Para pengembang bertanya, “Jika kecerdasan buatan ini dapat menulis simbol untuk saya, lalu siapa saya? Apa nilai saya?”

“Ini akan menjadi pekerjaan nyata selama tiga tahun ke lima berikutnya,” kata Krup. “Itu membuat orang menggunakan agen.”

Strategi untuk mengatasi frekuensi

Ada beberapa cara berharga untuk mengatasi tantangan ini. Tentu saja, mendapatkan alat yang benar adalah langkah pertama, dan menggabungkannya dengan cara orang bekerja secara eksplisit. Penting untuk mengukur dan merayakan mengadopsi karyawan ini yang secara aktif menggunakan alat sehingga semua orang mulai melihat bahwa mereka perlu mendapatkan kendaraan ini.

Langkah penting lainnya adalah meningkatkan kelangkaan – ini berarti bahwa sumber daya mengambil sampai karyawan perlu melakukan lebih banyak pada yang terendah. Pada saat yang sama, perlu mendesain ulang operasi kerja bersama dengan karyawan ini di garis depan. Tidak hanya operasi keras sebagai pekerjaan manual dapat menjadi konferensi – pilih bagian -bagian di mana manusia membawa nilai.

“Kami mengurangi kerja keras dan meningkatkan kegembiraan.” “Kami telah meninggalkan proses yang lebih efisien, perusahaan yang lebih efisien, tenaga kerja yang lebih produktif, dan fungsi -fungsi yang diinginkan orang.”

AWS Ia berupaya memperluas lokasinya di pasaran dengan Pembaruan untuk SagemakerPembelajaran Otomatis, Platform Pelatihan Model Kecerdasan dan Inferensi Buatan, dengan penambahan kemungkinan baru untuk pengamatan, lingkungan pengkodean yang terhubung dan manajemen kinerja GPU.

Namun, AWS terus menghadapi persaingan dari Google Dan MicrosoftDan itu juga menyediakan banyak fitur yang membantu mempercepat pelatihan dan inferensi kecerdasan buatan.

Sagemaker, yang telah berubah menjadi pusat terpadu untuk mengintegrasikan sumber data dan mengakses alat pembelajaran otomatis pada tahun 2024, menambahkan fitur -fitur yang memberikan wawasan tentang alasan mengapa kinerja model dan memberikan pelanggan AWS lebih banyak kontrol atas jumlah akun yang dialokasikan untuk pengembangan model.

Fitur -fitur baru lainnya termasuk koneksi lingkungan pengembangan terintegrasi lokal (IDE) dengan Sagemaker, sehingga proyek AI yang ditulis secara lokal dapat dipublikasikan di platform.

Direktur Jenderal Sagemaker Ankur Mehrotra VentureBeat mengatakan kepada banyak pembaruan baru ini yang berasal dari pelanggan itu sendiri.

“Salah satu tantangan yang telah kami lihat adalah menghadapi pelanggan kami sambil mengembangkan model Gen AI adalah bahwa ketika sesuatu yang salah atau ketika tidak ada yang terjadi, sangat sulit untuk menemukan apa yang terjadi di lapisan tumpukan itu.”

Pemantauan Hyperpod Sagemaker memungkinkan para insinyur untuk memeriksa berbagai lapisan tumpukan, seperti lapisan akun atau lapisan jaringan. Jika sesuatu yang salah terjadi atau model menjadi lebih lambat, Sagemaker dapat mengingatkan mereka dan menerbitkan standar di dasbor.

Mahletra merujuk pada masalah nyata yang dihadapi timnya saat melatih model baru, ketika kode pelatihan mulai menekankan unit pemrosesan grafis, menyebabkan fluktuasi suhu. Dia mengatakan bahwa tanpa alat terbaru, pengembang membutuhkan waktu berminggu -minggu untuk menentukan sumber masalah dan kemudian memperbaikinya.

IDES terhubung

Sagemaker telah menunjukkan dua cara bagi pengembang kecerdasan buatan untuk melatih dan mengoperasikan model. Itu sepenuhnya dapat diakses oleh IDE, seperti Jupyter Lab atau editor instruktur pemrograman, untuk menjalankan kode pelatihan SMM pada model melalui Sagemaker. Pahami bahwa insinyur lain lebih suka menggunakan IDE lokal, termasuk semua ekstensi yang mereka instal, AWS memungkinkan mereka untuk menjalankan kode mereka di perangkat mereka juga.

Namun, Mehrotra mengindikasikan bahwa itu berarti bahwa model yang dienkripsi secara lokal hanya dioperasikan secara lokal, jadi jika pengembang ingin berkembang, itu telah terbukti menjadi tantangan besar.

AWS telah menambahkan implementasi aman baru untuk memungkinkan pelanggan terus bekerja pada IDE pilihan mereka – baik lokal atau dikelola – dan terhubung ke Sagemaker.

“Jadi kemampuan ini sekarang memberi mereka yang terbaik di dua dunia di mana jika mereka mau, mereka dapat berkembang secara lokal di IDE lokal, tetapi sehubungan dengan melaksanakan tugas yang sebenarnya, mereka dapat memperoleh manfaat dari kemampuan untuk memperluas di Sagemaker,” katanya.

Lebih banyak fleksibilitas di akun

AWS Sagemaker Hyperpod diluncurkan pada Desember 2023 sebagai cara untuk membantu pelanggan mengelola kelompok server untuk model pelatihan. Mirip dengan penyedia layanan CoruvHyperpod memungkinkan pelanggan Sagemaker untuk mengarahkan energi yang tidak digunakan ke lokasi favorit mereka. Hyperpod diketahui ketika tanggal penggunaan GPU harus ditentukan berdasarkan pola permintaan dan memungkinkan lembaga menyeimbangkan sumber daya dan biaya mereka secara efektif.

Namun, AWS mengatakan banyak pelanggan ingin layanan yang sama menyimpulkan. Banyak tugas inferensi terjadi pada siang hari ketika orang menggunakan model dan aplikasi, sementara pelatihan biasanya dijadwalkan selama jam sibuk.

Mahletra mencatat bahwa bahkan di dunia, pengembang dapat memberikan prioritas pada tugas inferioritas yang harus difokuskan oleh hyperpod.

Laurent Sever, co -founder dan CTO di AI Agent Company H dariDia mengatakan di blog AWS bahwa perusahaan menggunakan Sagemaker Hyperpod saat membangun platform agen.

“Transisi yang lancar dari pelatihan ke penalaran penyederhanaan alur kerja kami, mengurangi waktu untuk produksi, dan memberikan kinerja yang konsisten di lingkungan hidup,” kata Seifry.

AWS dan kompetisi

Amazon mungkin tidak menawarkan model fondasi yang paling menakjubkan seperti para pesaingnya dari penyedia cloud, Google dan Microsoft. Namun, AWS lebih fokus pada penyediaan tulang punggung infrastruktur lembaga untuk membangun model, aplikasi atau agen kecerdasan buatan.

Selain Sagemaker, AWS juga menawarkan fondasi, yang merupakan platform yang dirancang khusus untuk membangun aplikasi dan agen.

Sagemaker telah hadir selama bertahun -tahun, dimulai pada awalnya sebagai cara untuk menghubungkan berbagai alat pembelajaran mesin ke danau data. Ketika saya memulai Buku Kecerdasan Buatan Truc, insinyur kecerdasan buatan mulai menggunakan Sagemaker untuk membantu melatih model bahasa. Namun, Microsoft sangat mendorong ekosistem kain, dengan 70 % perusahaan Fortune 500, untuk menjadi pelopor dalam akselerasi data dan AI. Google, melalui Vertex AI, telah diam -diam membuat cara untuk mengadopsi AI.

AWS, tentu saja, memiliki keuntungan menjadi penyedia cloud yang paling banyak digunakan. Setiap pembaruan yang akan membuat banyak platform infrastruktur kecerdasan buatan lebih mudah digunakan akan selalu bermanfaat.