NEW YORK – Agencja ratingowa KBRA przypisała wstępne oceny 60 klasom certyfikatów hipotecznych z Sequoia Mortgage Trust 2025-S1 (SEMT 2025-S1). Transakcja ta opiera się na 784 kredytach hipotecznych o stałym oprocentowaniu, z łączną kwotą główną wynoszącą około 455,8 mln dolarów. Około 40,7% puli stanowią kredyty kwalifikowane (QM), podczas gdy 47,7% to kredyty nie-QM, a 9,7% to kredyty o nieustalonym statusie zgodności z zasadą zdolności kredytowej (ATR Risk/Fail).
KBRA wykorzystała swoje narzędzie Residential Asset Loss Model (REALM) do szczegółowej analizy puli kredytów. Proces obejmował również weryfikację wyników due diligence przeprowadzonego przez zewnętrzne podmioty, modelowanie przepływów pieniężnych, ocenę kluczowych uczestników transakcji oraz analizę struktury prawnej. Więcej szczegółów można znaleźć w metodologii oceny amerykańskich RMBS.
Oceny oraz powiązane materiały są dostępne tutaj.
Pełny raport można znaleźć tutaj.
Dodatkowe informacje na temat kluczowych czynników wpływających na ocenę, analizy wrażliwości oraz czynników ESG (gdy mają one istotny wpływ na zmianę oceny) znajdują się w pełnym raporcie.
Szczegółowe źródła danych oraz metodologie są dostępne tutaj.
Wyjaśnienie skali ocen można znaleźć tutaj.
Więcej informacji na temat polityk i procedur KBRA dostępnych jest na stronie www.kbra.com.
KBRA to jedna z wiodących agencji ratingowych, zarejestrowana w SEC jako NRSRO. Posiada również akredytacje w Europie, Wielkiej Brytanii, Kanadzie i innych jurysdykcjach.
Numer dokumentu: 1009382
Minxi Qiu, Dyrektor (Główny Analityk)
+1 646-731-1263
minxi.qiu@kbra.com
Colleen Kelley, Starszy Analityk
+1 646-731-1389
colleen.kelley@kbra.com
Edward DeVito, Starszy Dyrektor Zarządzający (Przewodniczący Komitetu Ratingowego)
+1 646-731-2319
edward.devito@kbra.com
Daniel Stallone, Dyrektor Zarządzający
+1 646-731-1308
daniel.stallone@kbra.com
WEST CHESTER, Pensylwania, 9 maja 2025 — QVC®, znana marka specjalizująca się w sprzedaży na żywo, poinformowała, że słynny muzyk, filantrop i wizjoner retailu, Elton John, zostanie uhonorowany pierwszą w historii nagrodą Icon Award. Wyróżnienie to przyznano za jego wyjątkowy wkład w rozwój rynku zapachów domowych oraz owocną współpracę z firmą Slatkin + Co.
Nagroda Icon Award została stworzona, aby docenić osoby, które w wyjątkowy sposób przyczyniły się do rozwoju społeczności QVC poprzez innowacyjność, kreatywność i dążenie do doskonałości zgodne z wartościami marki. Elton John został zgłoszony do nagrody przez swojego przyjaciela i partnera biznesowego, Harry’ego Slatkina z Slatkin + Co., który docenił jego wpływ na kształtowanie nowych doświadczeń zakupowych.
„Elton John ma niezwykły talent do nawiązywania relacji z naszymi klientami i realizowania swojej artystycznej wizji poprzez naszą platformę, co przyniosło spektakularne rezultaty” — powiedziała Mara Sirhal, Dyrektor Handlowy QVC i HSN. „Nagroda Icon Award podkreśla nie tylko jego osiągnięcia w retailu, ale także umiejętność łączenia świata rozrywki i handlu w sposób, który trafia do naszych odbiorców.”
Wyróżnienie przyszło po imponującym sukcesie Eltona w sprzedaży jego kolekcji zapachów w QVC, w tym oferty Today’s Special Value (TSV). „Miałaś niesamowity start” — zauważył Harry Slatkin w wywiadzie. „Ponad 5 miliardów wyświetleń i sprzedaż 350 000 świec — to był wyjątkowy dzień.”
„To dla mnie ogromny zaszczyt” — odpowiedział Elton. „Zazwyczaj otrzymuję nagrody za muzykę, więc to naprawdę coś nowego. Cieszę się, że mogłem stworzyć tę kolekcję i podzielić się wyjątkowymi zapachami z wszystkimi.”
Druga kolekcja Eltona Johna we współpracy ze Slatkin + Co. jest dostępna wyłącznie w QVC tutaj.
QVC® to marka, która łączy zakupy z edukacją i rozrywką, oferując klientom szeroki wybór produktów — od artykułów domowych i modowych po kosmetyki, elektronikę i biżuterię. Działa globalnie, docierając do ponad 200 milionów gospodarstw domowych poprzez 13 kanałów telewizyjnych, streaming oraz media społecznościowe. Firma, z siedzibą w West Chester w Pensylwanii, działa również w Wielkiej Brytanii, Niemczech, Japonii i Włoszech. Więcej informacji można znaleźć na corporate.qvc.com lub śledząc QVC na Facebooku, Instagramie, X, Pintereście, YouTube i LinkedIn.
QVC Group, Inc. (NASDAQ: QVCGA, QVCGB, QVCGP) to firma z listy Fortune 500, zarządzająca sześcioma markami: QVC, HSN®, Ballard Designs®, Frontgate®, Garnet Hill® i Grandin Road®. Specjalizuje się w handlu wideo, oferując zakupy na różnych platformach — od smartfonów po telewizory. Więcej informacji na qvcgrp.com.
Oryginalna treść do pobrania: https://www.prnewswire.com/news-releases/qvc-honors-elton-john-with-inaugural-icon-award-302451441.html
ŹRÓDŁO: QVC
DALLAS – Generational Wealth Advisors (GWA), firma specjalizująca się w spersonalizowanym doradztwie finansowym i zarządzaniu inwestycjami, z dumą ogłasza, że znalazła się na liście 500 najlepszych zarejestrowanych doradców inwestycyjnych (RIA) w Stanach Zjednoczonych. Ranking został opracowany przez USA TODAY we współpracy ze Statista.
Generational Wealth Advisors zostało uwzględnione w badaniu USA TODAY i Statista na 2025 rok, które oceniało firmy pod kątem rekomendacji branżowych oraz wzrostu. Analiza obejmowała m.in. wartość zarządzanych aktywów (AUM) oraz opinie około 30 000 profesjonalistów z sektora finansowego.
„To zaszczyt znaleźć się w tym prestiżowym gronie” – powiedział Brent Everett, założyciel i dyrektor inwestycyjny Generational Wealth Advisors. „Ta nagroda odzwierciedla nasze zaangażowanie w budowanie przejrzystych relacji z klientami i dostarczanie im rzetelnych porad finansowych.”
„Wyróżnienie od USA TODAY i Statista potwierdza ciężką pracę naszego zespołu” – dodał Ryan Binkley, prezes i dyrektor generalny Generational Group. „Doceniam zaangażowanie naszych doradców w realizację misji firmy i dbanie o interesy klientów.”
W obliczu zmienności rynkowej coraz ważniejsze staje się współpraca z doradcą, który działa jako powiernik (fiducjusz). Firmy takie jak Generational Wealth Advisors oferują usługi oparte na opłatach, koncentrując się na potrzebach klientów, a nie na sprzedaży produktów.
Ranking ocenia doradców inwestycyjnych na podstawie obiektywnych kryteriów, takich jak wzrost AUM w krótkim i długim okresie oraz liczba rekomendacji od klientów i ekspertów. Metodologia badania gwarantuje, że nagrodzone firmy wyróżniają się nie tylko wynikami finansowymi, ale też podejściem skoncentrowanym na kliencie.
Generational Wealth Advisors to nagradzana firma doradztwa finansowego z siedzibą w Dallas w Teksasie. Świadczy niezależne i obiektywne usługi dla klientów w całym kraju, zawsze działając w ich najlepszym interesie. Firma jest zarejestrowanym doradcą inwestycyjnym (RIA) nadzorowanym przez Komisję Papierów Wartościowych i Giełd USA (SEC). Więcej informacji, w tym o metodologii przyznawania nagród, można znaleźć na stronie: www.generationalwealthadv.com/disclosure-information.
Generational Group to wiodąca, nagradzana firma doradcza specjalizująca się w fuzjach i przejęciach (M&A). Z ponad 300 ekspertami w 15 biurach w Ameryce Północnej pomaga przedsiębiorcom w maksymalizacji wartości ich firm poprzez kompleksowe usługi doradcze.
Firma została uznana za Najlepszą Firmę Inwestycyjną 2024 przez Global M&A Network oraz zdobyła tytuł Firmy Doradczej Roku przyznawany przez The M&A Advisor w latach 2022 i 2024. Ponadto otrzymała wyróżnienia jako Firma Wycenowa Roku i Firma Konsultingowa Roku w 2022 i 2023.
Ranking „Best Financial Advisory Firms” opiera się na dwóch głównych kryteriach: rekomendacjach od klientów, ekspertów i doradców finansowych oraz wzroście wartości zarządzanych aktywów (AUM). Ankieta objęła ponad 30 000 osób, przy czym samorekomendacje były wykluczone.
Wzrost AUM analizowano w perspektywie krótkoterminowej (styczeń 2024 – styczeń 2025) i długoterminowej (2020–2025). Ostateczny wynik uwzględniał rekomendacje (20% wagi) oraz wzrost AUM (80% wagi), z podziałem na wzrost krótko- (30%) i długoterminowy (70%).
Pełny opis metodologii dostępny jest tutaj.
Jenna Gaston
469-694-8764
jgaston@generational.com
Choć DeepSeek-R1 znacząco poszerzył możliwości AI w zakresie nieformalnego rozumowania, formalne dowodzenie matematyczne wciąż stanowiło wyzwanie dla sztucznej inteligencji. Wynika to głównie z faktu, że tworzenie weryfikowalnych dowodów wymaga zarówno głębokiego zrozumienia koncepcji, jak i umiejętności budowania precyzyjnych, krok po kroku, logicznych argumentów. Ostatnio jednak nastąpił przełom w tej dziedzinie – badacze z DeepSeek-AI opracowali DeepSeek-Prover-V2, otwartoźródłowy model AI, który potrafi przekształcać matematyczną intuicję w ścisłe, weryfikowalne dowody. W tym artykule przyjrzymy się szczegółom działania DeepSeek-Prover-V2 i jego potencjalnemu wpływowi na przyszłe odkrycia naukowe.
Matematycy często rozwiązują problemy, korzystając z intuicji, heurystyki i rozumowania wysokiego poziomu. Takie podejście pozwala im pomijać oczywiste kroki lub opierać się na przybliżeniach wystarczających dla ich potrzeb. Jednak formalne dowodzenie twierdzeń wymaga zupełnie innego podejścia – pełnej precyzji, z każdym krokiem wyraźnie określonym i logicznie uzasadnionym, bez żadnych niejasności.
Ostatnie postępy w rozwoju dużych modeli językowych (LLM) pokazały, że potrafią one radzić sobie ze złożonymi problemami matematycznymi na poziomie konkursowym, wykorzystując rozumowanie w języku naturalnym. Mimo to LLM wciąż mają trudności z przekształcaniem intuicyjnego rozumowania w formalne dowody, które mogą być zweryfikowane przez maszyny. Wynika to głównie z faktu, że nieformalne rozumowanie często zawiera skróty i pominięte kroki, których systemy formalne nie potrafią zweryfikować.
DeepSeek-Prover-V2 rozwiązuje ten problem, łącząc zalety rozumowania nieformalnego i formalnego. Dzieli złożone problemy na mniejsze, łatwiejsze do opanowania części, zachowując jednocześnie precyzję wymaganą przez formalną weryfikację. To podejście ułatwia wypełnienie luki między ludzką intuicją a dowodami weryfikowanymi przez maszyny.
DeepSeek-Prover-V2 wykorzystuje unikalny proces przetwarzania danych, obejmujący zarówno nieformalne, jak i formalne rozumowanie. Proces ten rozpoczyna się od DeepSeek-V3, ogólnego modelu językowego, który analizuje problemy matematyczne w języku naturalnym, dzieli je na mniejsze kroki, a następnie tłumaczy te kroki na język formalny, zrozumiały dla maszyn.
Zamiast próbować rozwiązać cały problem naraz, system dzieli go na serię „podcelów” – pośrednich lematów, które służą jako etapy prowadzące do ostatecznego dowodu. Takie podejście odzwierciedla sposób, w jaki ludzcy matematycy radzą sobie z trudnymi problemami, pracując nad mniejszymi fragmentami zamiast próbować rozwiązać wszystko za jednym razem.
Szczególnie innowacyjny jest sposób, w jaki system generuje dane treningowe. Gdy wszystkie podcele złożonego problemu zostaną rozwiązane, system łączy te rozwiązania w kompletny formalny dowód. Następnie dowód ten jest zestawiany z oryginalnym rozumowaniem DeepSeek-V3, tworząc wysokiej jakości dane treningowe do dalszego szkolenia modelu.
Po wstępnym treningu na danych syntetycznych DeepSeek-Prover-V2 wykorzystuje uczenie przez wzmacnianie, aby jeszcze bardziej udoskonalić swoje możliwości. Model otrzymuje informację zwrotną na temat poprawności swoich rozwiązań i uczy się, które podejścia są najbardziej skuteczne.
Jednym z wyzwań było to, że struktura generowanych dowodów nie zawsze pokrywała się z dekompozycją lematów sugerowaną przez łańcuch myślowy. Aby rozwiązać ten problem, badacze wprowadzili nagrodę za spójność podczas treningu, aby zmniejszyć niezgodność strukturalną i wymusić uwzględnienie wszystkich rozłożonych lematów w ostatecznych dowodach. To podejście okazało się szczególnie skuteczne w przypadku złożonych twierdzeń wymagających wieloetapowego rozumowania.
Wyniki DeepSeek-Prover-V2 na uznanych benchmarkach pokazują jego wyjątkowe możliwości. Model osiąga imponujące rezultaty w testach MiniF2F-test i rozwiązuje 49 z 658 problemów z PutnamBench – zbioru zadań z prestiżowego konkursu matematycznego William Lowell Putnam.
Jeszcze bardziej imponująco, gdy model został przetestowany na 15 wybranych problemach z ostatnich edycji American Invitational Mathematics Examination (AIME), rozwiązał 6 z nich. Co ciekawe, DeepSeek-V3 rozwiązał 8 tych samych problemów, stosując głosowanie większościowe. Sugeruje to, że różnica między formalnym a nieformalnym rozumowaniem matematycznym w modelach językowych szybko się zmniejsza. Jednak wydajność modelu w problemach kombinatorycznych wciąż wymaga poprawy, co wskazuje na obszar do dalszych badań.
Badacze z DeepSeek wprowadzili również nowy zestaw danych do oceny zdolności rozwiązywania problemów matematycznych przez LLM. Benchmark o nazwie ProverBench składa się z 325 sformalizowanych problemów matematycznych, w tym 15 zadań z ostatnich konkursów AIME, a także problemów z podręczników i materiałów edukacyjnych. Obejmują one takie dziedziny, jak teoria liczb, algebra, analiza matematyczna i inne. Włączenie problemów AIME jest szczególnie ważne, ponieważ sprawdza nie tylko pamięć modelu, ale także jego kreatywność w rozwiązywaniu problemów.
DeepSeek-Prover-V2 oferuje ekscytujące możliwości dzięki dostępności na otwartej licencji. Hostowany na platformach takich jak Hugging Face, model jest dostępny dla szerokiego grona użytkowników, w tym badaczy, nauczycieli i programistów. Dzięki lżejszej wersji z 7 miliardami parametrów i potężniejszej z 67 miliardami, twórcy zapewniają, że użytkownicy o różnych zasobach obliczeniowych mogą z niego korzystać. Otwarty dostęp zachęca do eksperymentów i umożliwia tworzenie zaawansowanych narzędzi AI do rozwiązywania problemów matematycznych. W efekcie model ten może napędzać innowacje w badaniach matematycznych, pomagając naukowcom w rozwiązywaniu skomplikowanych zagadnień i odkrywaniu nowych koncepcji.
Rozwój DeepSeek-Prover-V2 ma istotne implikacje nie tylko dla matematyki, ale także dla sztucznej inteligencji. Zdolność modelu do generowania formalnych dowodów może pomóc matematykom w rozwiązywaniu trudnych twierdzeń, automatyzacji procesów weryfikacyjnych, a nawet sugerowaniu nowych hipotez. Co więcej, techniki zastosowane w DeepSeek-Prover-V2 mogą wpłynąć na rozwój przyszłych modeli AI w innych dziedzinach wymagających ścisłego rozumowania logicznego, takich jak inżynieria oprogramowania czy sprzętu.
Badacze planują skalować model, aby radził sobie z jeszcze trudniejszymi problemami, np. z Międzynarodowej Olimpiady Matematycznej (IMO). To może jeszcze bardziej poszerzyć możliwości AI w dowodzeniu twierdzeń. W miarę jak modele takie jak DeepSeek-Prover-V2 będą się rozwijać, mogą zdefiniować przyszłość zarówno matematyki, jak i AI, napędzając postępy w badaniach teoretycznych i praktycznych zastosowaniach technologicznych.
DeepSeek-Prover-V2 to znaczący krok naprzód w AI wspierającym rozumowanie matematyczne. Łączy intuicję z formalną logiką, rozkładając złożone problemy na części i generując weryfikowalne dowody. Jego imponująca wydajność na benchmarkach pokazuje potencjał do wspierania matematyków, automatyzacji weryfikacji dowodów, a nawet odkrywania nowych twierdzeń. Jako model otwartoźródłowy jest szeroko dostępny, oferując ekscytujące możliwości innowacji i nowych zastosowań zarówno w AI, jak i matematyce.
Przedstawia jasność w ważnych tematach, w których Elliott próbował wprowadzić inwestorów w błąd
Podkreśla siłę transformacyjnej strategii firmy oraz wartościowe kompetencje zarządu i kandydatów Phillips 66, w przeciwieństwie do ryzykownych, wprowadzających w błąd analiz Elliotta i jego konfliktowych nominacji
Phillips 66 zachęca akcjonariuszy do głosowania „ZA” wyłącznie na kandydatów Phillips 66 przy użyciu BIAŁEJ karty do głosowania
HOUSTON – Phillips 66 (NYSE: PSX) dostarczył dziś inwestorom kluczowych informacji, aby mogli podjąć w pełni świadome decyzje przed nadchodzącym Walnym Zgromadzeniem Akcjonariuszy 21 maja 2025 roku. Celem tego komunikatu jest zapewnienie, że inwestorzy znają fakty dotyczące tych istotnych kwestii przed oddaniem głosu.
Analitycy dostrzegają potencjał transformacyjnej strategii firmy:
„PSX pozostaje naszym głównym wyborem wśród dużych spółek rafineryjnych. Zarząd PSX koncentruje się na wzroście przy atrakcyjnych stopach zwrotu, a dalsza dywersyfikacja i poprawa wydajności rafinerii mogą przywrócić firmie pozycję lidera. Rekomendujemy akcje z ratingiem Overweight.” (Wells Fargo, 25.04.2025)
„[Mark Lashier] podkreślił, że rada regularnie analizuje opcje strategiczne. Pytania dotyczące struktury portfolio były już wcześniej omawiane. Zwrócił też uwagę, że ewentualna sprzedaż aktywów midstreamowych wiązałaby się z ogromnymi kosztami i obciążeniami podatkowymi szacowanymi na 28 dolarów na akcję.” (Gordon Haskett, 28.04.2025)
Rynek dostrzega słabości analiz Elliotta:
„Sprzedaż tych aktywów może nie być możliwa, ponieważ: 1) liczba potencjalnych nabywców jest ograniczona, 2) koszty podatkowe byłyby wysokie, 3) wartość samego segmentu rafineryjnego mogłaby spaść.” (Citi, 14.03.2025)
„Uważamy, że sprzedaż CPChem przed uruchomieniem dwóch dużych projektów i w dołku cyklu marżowego nie jest dobrym pomysłem.” (Citi, 13.02.2025)
Postępy firmy są widoczne:
„Po dostosowaniu wyników PSX do metodologii konkurentów, firma osiąga podobne wyniki w segmencie rafineryjnym, co jest lepsze niż oczekiwania rynku.” (TD Cowen, 27.04.2025)
„Zakończenie dużego programu remontów powinno przyczynić się do poprawy wyników rafinerii w kolejnych miesiącach.” (Goldman Sachs, 01.05.2025)
Zarząd Phillips 66 zaleca akcjonariuszom użycie wyłącznie BIAŁEJ karty do głosowania:
Akcjonariusze mogą otrzymać materiały od Elliotta z „złotą kartą” – firma zaleca ich zignorowanie. Głos oddany na BIAŁEJ karcie anuluje wcześniejszy głos na złotej.
Phillips 66 (NYSE: PSX) to wiodąca zintegrowana firma energetyczna, która produkuje, transportuje i sprzedaje produkty napędzające globalną gospodarkę. Portfolio obejmuje midstream, chemikalia, rafinację, marketing i paliwa odnawialne. Siedziba znajduje się w Houston. Więcej informacji: phillips66.com lub @Phillips66Co na LinkedIn.
Komunikat zawiera informacje forward-looking dotyczące strategii i wyników Phillips 66. Rzeczywiste wyniki mogą różnić się z powodu czynników takich jak zmiany regulacji, wahania cen surowców, sytuacja geopolityczna i inne ryzyka opisane w dokumentach SEC.
8 kwietnia 2025 Phillips 66 złożył ostateczne materiały proxy związane z Walnym Zgromadzeniem. Akcjonariusze mogą je znaleźć na stronie SEC (www.sec.gov) lub na investor.phillips66.com.
Komunikat zawiera niefinansowe wskaźniki, takie jak EBITDA i koszty kontrolowane, które pomagają w porównaniach między okresami i firmami. Nie są to standardy GAAP. Definicje i uzasadnienie znajdują się w materiałach firmy.
Jeff Dietert (inwestorzy)
832-765-2297
Jeff.dietert@p66.com
Owen Simpson (inwestorzy)
832-765-2297
owen.simpson@p66.com
Al Ortiz (media)
855-841-2368
Al.s.ortiz@p66.com
HYDERABAD, Indie – Dr. Reddy’s Laboratories Ltd. (BSE: 500124 | NSE: DRREDDY | NYSE: RDY | NSEIFSC: DRREDDY) opublikował dziś skonsolidowane wyniki finansowe za kwartał i rok zakończony 31 marca 2025. Dane przedstawione w tym komunikacie opierają się na skonsolidowanych sprawozdaniach finansowych przygotowanych zgodnie z Międzynarodowymi Standardami Sprawozdawczości Finansowej (IFRS).
G V Prasad, Współprzewodniczący i Dyrektor Zarządzający, skomentował wyniki: „Osiągnęliśmy dwucyfrowy wzrost we wszystkich segmentach biznesowych, napędzany udanymi wprowadzeniami nowych produktów, wyższymi przychodami z kluczowych produktów w USA oraz integracją przejętego biznesu NRT. Będziemy nadal wzmacniać i rozwijać nasze podstawowe obszary działalności poprzez zarządzanie portfelem i doskonałość operacyjną, jednocześnie poszukując strategicznych partnerstw i możliwości wzrostu nieorganicznego.”
Zarząd firmy zaprasza na konferencję wynikową, która odbędzie się 9 maja 2025 o godz. 19:30 IST (10:00 ET). Szczegóły dotyczące połączenia dostępne są na stronie internetowej firmy.
Dr. Reddy’s Laboratories Ltd. to globalna firma farmaceutyczna z siedzibą w Hyderabadzie w Indiach. Działając od 1984 roku, spółka koncentruje się na dostarczaniu przystępnych cenowo i innowacyjnych leków w obszarach takich jak gastroenterologia, kardiologia, diabetologia, onkologia i dermatologia.
Kontakt dla inwestorów: Richa Periwal, Aishwarya Sitharam
Kontakt dla mediów: Priya K
Pełna treść komunikatu dostępna tutaj
W miarę jak sztuczna inteligencja dynamicznie rozwija się w różnych sektorach, firmy z branży finansowej stoją przed ważnym wyborem. Chociaż chcą wykorzystać potencjał AI, muszą też uważać na coraz większą kontrolę regulacyjną. Okazuje się, że wprowadzanie innowacji jest bardziej skomplikowane, niż się wydawało. W mediach często mówi się o zagrożeniach, takich jak halucynacje AI, tendencyjność modeli czy brak przejrzystości w podejmowaniu decyzji – problemy, które przyciągają uwagę regulatorów.
Jednak poza szumem wokół generatywnej AI i obawami o zgodność z przepisami kryje się praktyczna szansa. Sukces w AI nie zależy od tworzenia większych modeli, ale od dostarczania im odpowiednich, specjalistycznych danych. Instytucje finansowe mają ogromne ilości nieuporządkowanych informacji ukrytych w umowach, wyciągach, dokumentach, e-mailach i przestarzałych systemach. Dopóki te dane nie zostaną uwolnione i przetworzone, AI nie spełni swojej obietnicy w sektorze finansowym.
Instytucje finansowe codziennie generują i zarządzają ogromnymi ilościami danych. Jednak szacuje się, że 80-90% tych informacji jest nieuporządkowanych – ukrytych w umowach, wiadomościach e-mail, dokumentach czy raportach. W przeciwieństwie do uporządkowanych baz danych, te zasoby są chaotyczne, różnorodne i trudne do przetwarzania tradycyjnymi metodami.
To poważne wyzwanie. Systemy AI działają tylko tak dobrze, jak dane, które otrzymują. Bez dostępu do czystych, kontekstowych i wiarygodnych informacji nawet najbardziej zaawansowane modele mogą generować błędne wyniki. To szczególnie problematyczne w finansach, gdzie precyzja, przejrzystość i zgodność z przepisami są kluczowe.
Firmy, które wdrażają AI, często odkrywają, że ich najcenniejsze dane są wciąż uwięzione w starych systemach. Uwolnienie tych zasobów to nie tylko kwestia administracji – to warunek sukcesu AI.
Regulatorzy na całym świecie coraz uważniej przyglądają się zastosowaniu AI w finansach. Rosną obawy dotyczące halucynacji AI i braku przejrzystości, gdy modele generują przekonujące, ale nieprawdziwe informacje bez możliwości śledzenia źródła. Tendencyjność modeli i brak możliwości wyjaśnienia ich decyzji dodatkowo utrudniają adopcję, zwłaszcza w obszarach takich jak udzielanie pożyczek, ocena ryzyka czy compliance.
Badania wskazują, że ponad 80% instytucji finansowych uważa wiarygodność danych i możliwość wyjaśnienia decyzji za główne bariery wdrażania AI. Strach przed nieprzewidzianymi konsekwencjami i zaostrzający się nadzór tworzą atmosferę ostrożności. Firmy muszą innowować, ale boją się naruszyć przepisy lub wprowadzić systemy, którym nie można ufać.
W takim klimacie inwestowanie w ogólne rozwiązania AI lub testowanie gotowych modeli często kończy się porażką, stratą pieniędzy lub – co gorsza – systemami, które zwiększają ryzyko zamiast je ograniczać.
Przełom, którego potrzebuje branża, to nie kolejny model, ale zmiana podejścia – z budowania modeli na opanowanie danych. Przetwarzanie nieustrukturyzowanych, specjalistycznych danych oferuje bardziej praktyczne podejście do AI w finansach. Zamiast polegać na ogólnych modelach trenowanych na publicznych danych, ta metoda skupia się na wydobywaniu, porządkowaniu i kontekstualizacji unikalnych informacji, które instytucje już posiadają.
Wykorzystując AI zaprojektowaną do rozumienia finansowego języka i dokumentów, firmy mogą przekształcić niedostępne wcześniej dane w użyteczne wnioski. Dzięki temu automatyzacja, analizy i wsparcie decyzyjne opierają się na własnych, sprawdzonych zasobach, a nie na zewnętrznych danych, które mogą być nieprecyzyjne lub nieistotne.
To podejście przynosi szybki zwrot z inwestycji, zwiększając efektywność i redukując ryzyko, jednocześnie spełniając wymogi regulacyjne. Systemy z przejrzystymi ścieżkami danych zapewniają przejrzystość i możliwość wyjaśnienia decyzji, co pomaga pokonać największe wyzwania w adopcji AI.
Choć wiele mówi się o spektakularnych innowacjach, specjalistyczne przetwarzanie nieustrukturyzowanych danych już teraz rewolucjonizuje działanie największych banków i instytucji finansowych. Te organizacje używają AI nie po to, by zastąpić ludzką wiedzę, ale by ją uzupełnić – automatyzując wydobywanie kluczowych zapisów z umów, wykrywając ryzyka compliance w dokumentach czy usprawniając analizę korespondencji z klientami.
Na przykład analiza fundamentalna sprawozdań finansowych to podstawowe zadanie w sektorze, ale analitycy często tracą godziny na porównywanie różnych dokumentów i interpretację uwag audytorów. Firmy korzystające z rozwiązań AI skróciły ten proces o 60%, pozwalając zespołom skupić się na strategicznych decyzjach, a nie ręcznej pracy.
Efekty są wymierne. Manualne procesy, które kiedyś zajmowały dni lub tygodnie, teraz trwają minuty. Zespoły zarządzające ryzykiem szybciej wykrywają potencjalne problemy, a działy compliance sprawniej reagują podczas audytów. Te wdrożenia AI nie wymagają ryzykowania nieprzetestowanymi modelami – wykorzystują istniejące zasoby danych, ulepszając to, co już jest dostępne.
Takie praktyczne zastosowanie AI różni się od metod prób i błędów, często spotykanych w projektach generatywnej AI. Zamiast ścigać się za trendami, skupia się na rozwiązywaniu realnych problemów biznesowych z precyzją i celem.
W pogoni za adopcją AI wielu liderów sektora finansowego – a nawet regulatorów – zbyt mocno skupia się na warstwie modeli, zaniedbując dane. Urok zaawansowanych algorytmów często przesłania podstawową prawdę: wyniki AI zależą od jakości, trafności i struktury danych.
Priorytetem powinno być specjalistyczne przetwarzanie danych. Inwestując w technologie, które inteligentnie porządkują nieustrukturyzowane informacje w kontekście finansów, instytucje mogą zmniejszyć ryzyko projektów AI od samego początku. Dzięki temu wyniki będą nie tylko dokładne, ale też możliwe do wyjaśnienia i zbadania.
To podejście ułatwia też skalowanie AI. Gdy nieuporządkowane dane zostaną przekształcone w użyteczny format, staną się podstawą dla wielu zastosowań AI – od raportowania regulacyjnego przez automatyzację obsługi klienta po wykrywanie oszustw i analizę inwestycji. Zamiast traktować każdy projekt AI osobno, opanowanie danych tworzy uniwersalny zasób, przyspieszając przyszłe innowacje przy zachowaniu kontroli i zgodności.
Branża finansowa stoi w przełomowym momencie. AI oferuje ogromny potencjał, ale jego realizacja wymaga dyscypliny i skupienia na danych. Obecna uwaga na ryzyka halucynacji i tendencyjności modeli, choć uzasadniona, może odwracać uwagę od ważniejszego problemu: bez uwolnienia i uporządkowania ogromnych zasobów nieustrukturyzowanych danych projekty AI będą nadal rozczarowywać.
Specjalistyczne przetwarzanie tych danych to przełom, który nie robi nagłówków, ale przynosi realne, trwałe efekty. To przypomnienie, że w tak regulowanych i zależnych od danych branżach jak finanse praktyczne AI nie polega na gonieniu za nowinkami, ale na lepszym wykorzystaniu istniejących zasobów.
Gdy regulatorzy zaostrzają nadzór, a firmy szukają równowagi między innowacją a zarządzaniem ryzykiem, ci, którzy opanują swoje dane, będą liderami. Przyszłość AI w finansach nie zależy od tego, kto ma najnowocześniejszy model, ale od tego, kto potrafi uwolnić potencjał swoich danych, wdrażać AI odpowiedzialnie i dostarczać wartość w złożonym, regulowanym świecie.
Analiza wbudowana to integracja interaktywnych pulpitów nawigacyjnych, raportów oraz wniosków opartych na danych z wykorzystaniem sztucznej inteligencji bezpośrednio w aplikacjach lub procesach biznesowych. Dzięki temu użytkownicy mogą korzystać z analiz w kontekście swojej pracy, bez konieczności przełączania się na osobne narzędzia BI. Rynek ten dynamicznie rośnie – jego wartość szacuje się na około 20 miliardów dolarów w 2024 roku, a przewiduje się, że do 2032 roku osiągnie 75 miliardów dolarów (średnioroczne tempo wzrostu na poziomie 18%).
Firmy coraz częściej wdrażają analizę wbudowaną, aby umożliwić użytkownikom końcowym dostęp do informacji w czasie rzeczywistym. Ten trend napędzany jest rosnącym zapotrzebowaniem na samodzielny dostęp do danych oraz funkcje oparte na sztucznej inteligencji, takie jak przetwarzanie języka naturalnego czy automatyczne generowanie wniosków, które sprawiają, że analiza danych staje się bardziej dostępna.
Poniżej przedstawiamy przegląd najlepszych narzędzi oferujących analizę wbudowaną i raportowanie z wykorzystaniem sztucznej inteligencji. Każde z nich zostało opisane pod kątem kluczowych zalet, wad oraz struktury cenowej.
| Narzędzie AI | Najlepsze zastosowanie | Cena | Funkcje |
|---|---|---|---|
| Explo | Gotowe, białe etykiety pulpitów SaaS | Darmowe dla użytkowników wewnętrznych · od 795 USD/mies. za wbudowanie | Konstruktor bez kodu, Explo AI NLQ, SOC 2/HIPAA |
| ThoughtSpot | Wyszukiwanie danych w aplikacjach w stylu Google | Darmowa wersja testowa dla deweloperów · cena uzależniona od użycia | SpotIQ AI, wbudowane wyszukiwanie i Liveboards |
| Tableau Embedded | Precyzyjne wizualizacje i szeroka integracja | 12–70 USD/użytkownik/mies. | Pulse AI, przeciąganie i upuszczanie wizualizacji, JS API |
| Power BI Embedded | Rozwiązania oparte na Azure, skalowalność | Od ~735 USD/mies. za pojemność A1 | Pytania w języku naturalnym, AutoML, REST/JS SDK |
| Looker | Zarządzane metryki i integracja z Google Cloud | Indywidualna (≈120 tys. USD+/rok) | Model LookML, bezpieczne SDK do wbudowania, natywna integracja z BigQuery |
| Sisense | OEM wymagające pełnej kontroli nad białymi etykietami | Starter ≈10 tys. USD/rok · Chmura ≈21 tys. USD/rok | ElastiCube in-chip, NLQ, pełne REST/JS API |
| Qlik | Asocjacyjna eksploracja danych w czasie rzeczywistym | 200–2 750 USD/mies. (w zależności od pojemności) | Silnik asocjacyjny, Insight Advisor AI, Nebula.js |
| Domo Everywhere | Chmurowe BI z wbudowanym ETL i udostępnianiem | Od ~3 tys. USD/mies. (wycena indywidualna) | 500+ integracji, alerty, skalowanie oparte na kredytach |
| Yellowfin BI | Narracja danych i elastyczne ceny OEM | Indywidualna (≈15 tys. USD+/rok) | Stories, Signals AI, wielodostępność |
| Mode Analytics | Notatniki SQL/Python do raportów wbudowanych | Darmowe · Pro ≈6 tys. USD/rok | Notatniki, API do wbudowania, Visual Explorer |
Explo to platforma analizy wbudowanej zaprojektowana dla zespołów produktowych i inżynierskich, które chcą szybko dodać do swoich aplikacji pulpity nawigacyjne i raporty dla klientów. Oferuje interfejs bez konieczności kodowania do tworzenia interaktywnych wykresów oraz wsparcie dla białych etykiet, dzięki czemu analizy idealnie wpasowują się w interfejs produktu.
Explo skupia się na samodzielności użytkowników – końcowi użytkownicy mogą eksplorować dane, a nawet tworzyć raporty ad hoc bez ingerencji programistów. Wyróżniającą funkcją jest Explo AI, generatywna sztuczna inteligencja, która pozwala użytkownikom zadawać pytania w języku naturalnym i otrzymywać odpowiedzi w formie wykresów.
Dzięki temu eksploracja danych jest tak prosta, jak wpisanie zapytania. Explo integruje się z wieloma bazami danych i jest przystosowany do skalowania – od startupów po przedsiębiorstwa (spełnia wymagania SOC II, GDPR i HIPAA w zakresie bezpieczeństwa).
Cennik: (Subskrypcje miesięczne – USD)
ThoughtSpot to platforma analityczna napędzana przez sztuczną inteligencję, znana z interfejsu opartego na wyszukiwaniu. Dzięki wbudowanej analizie ThoughtSpot użytkownicy mogą wpisywać zapytania w języku naturalnym (lub używać głosu), aby eksplorować dane i natychmiast otrzymywać wizualne odpowiedzi.
To sprawia, że analiza danych jest dostępna dla osób nietechnicznych – w zasadzie działa jak Google dla danych biznesowych. Silnik in-memory ThoughtSpot obsługuje duże wolumeny danych, a jego AI (SpotIQ) automatycznie znajduje wnioski i anomalie.
Do wbudowania ThoughtSpot oferuje komponenty niskokodowe oraz solidne interfejsy API/SDK, które umożliwiają integrację interaktywnych Liveboards (pulpitów) lub nawet samego paska wyszukiwania z aplikacjami. Jest popularny w przypadku analityki dla klientów, gdzie użytkownicy końcowi potrzebują możliwości ad-hoc.
Cennik: (Warstwowy, z licencjonowaniem opartym na zużyciu – USD)
Tableau (część Salesforce) to wiodąca platforma BI znana z zaawansowanych wizualizacji i możliwości tworzenia pulpitów. Tableau Embedded Analytics pozwala organizacjom integrować interaktywne wykresy i raporty Tableau z własnymi aplikacjami lub stronami internetowymi.
Deweloperzy mogą wbudowywać pulpity Tableau za pomocą iFrame lub JavaScript API, umożliwiając bogate wizualizacje i filtrowanie w aplikacji. Siłą Tableau jest szeroka gama gotowych wizualizacji, łatwość tworzenia pulpitów oraz duża społeczność użytkowników.
W 2024 roku Salesforce wprowadził Tableau Pulse, który wykorzystuje generatywną sztuczną inteligencję do dostarczania automatycznych wniosków i podsumowań w języku naturalnym. To uzupełnia wbudowane pulpity o proaktywne wyjaśnienia.
Cennik: (Subskrypcja na użytkownika, warstwowa – USD)
Microsoft Power BI to popularny pakiet BI, a Power BI Embedded to usługa Azure i interfejsy API umożliwiające wbudowanie wizualizacji Power BI w aplikacje. To atrakcyjne rozwiązanie dla deweloperów tworzących analitykę dla klientów, ponieważ łączy zaawansowane funkcje Power BI (interaktywne raporty, wizualizacje AI, pytania w języku naturalnym itp.) z elastycznymi opcjami wbudowania.
Można wbudować pełne raporty lub pojedyncze kafelki, kontrolować je przez REST API i zastosować zabezpieczenia na poziomie wierszy dla scenariuszy wielodostępnych. Power BI dobrze integruje się z ekosystemem Microsoft (Azure, Office 365) i oferuje solidne modelowanie danych.
Cennik: (Oparty na pojemności Azure lub na użytkownika – USD)
Looker to nowoczesna platforma analityczna, obecnie część Google Cloud. Jest znana z unikalnej warstwy modelowania danych LookML, która pozwala zespołom definiować metryki biznesowe i logikę centralnie.
Do wbudowania Looker oferuje solidne rozwiązanie: można integrować interaktywne pulpity lub tabele eksploracyjne w aplikacjach, korzystając z tego samego backendu. Jedną z mocnych stron Lookera jest spójność – dzięki LookML wszyscy użytkownicy (i wbudowane widoki) korzystają z tych samych definicji danych.
Looker dobrze integruje się z chmurowymi bazami danych (BigQuery, Snowflake itp.) i ekosystemem Google (uprawnienia, AI/ML przez BigQuery itp.).
Cennik: (Wycena indywidualna)
Sisense to kompleksowa platforma BI i analityki z naciskiem na wbudowaną analizę. Umożliwia firmom integrację analiz z ich produktami poprzez elastyczne API lub komponenty webowe, a nawet pozwala budować niestandardowe aplikacje analityczne.
Sisense jest znany z technologii ElastiCube in-memory, która łączy dane z wielu źródeł i zapewnia szybkie działanie pulpitów. W ostatnich latach Sisense włączył funkcje AI (np. NLQ, automatyczne wnioski), aby pozostać konkurencyjnym.
Kluczową zaletą Sisense jest możliwość pełnego białego etykietowania i przyjazne licencjonowanie dla OEM, dlatego
DeepSeek, chińskie laboratorium sztucznej inteligencji, stało się ostatnio tematem numer jeden w mediach. Stało się tak, gdy jego aplikacja z chatbotem wspięła się na szczyt rankingu App Store firmy Apple, a także Google Play. Modele AI DeepSeek, stworzone przy użyciu technik efektywnych obliczeniowo, skłoniły analityków z Wall Street oraz technologów do zadawania pytań o przyszłość amerykańskiej przewagi w wyścigu AI oraz o to, czy popyt na chipsy AI utrzyma się na obecnym poziomie.
Ale skąd wziął się DeepSeek i jak tak szybko zdobył międzynarodową sławę?
DeepSeek jest wspierany przez High-Flyer Capital Management, chiński fundusz hedgingowy wykorzystujący AI do podejmowania decyzji inwestycyjnych.
Założycielem High-Flyer w 2015 roku był Liang Wenfeng, entuzjasta sztucznej inteligencji, który podobno zaczynał od handlu jako student Zhejiang University. W 2019 roku przekształcił High-Flyer w fundusz hedgingowy skupiony na rozwoju algorytmów AI.
W 2023 roku High-Flyer powołał do życia DeepSeek jako niezależne laboratorium badające narzędzia AI, oddzielone od działalności finansowej. Dzięki wsparciu High-Flyer, laboratorium przekształciło się w osobną firmę o tej samej nazwie.
Od samego początku DeepSeek budował własne centra danych do trenowania modeli. Jednak, podobnie jak inne firmy AI w Chinach, musiał zmierzyć się z amerykańskimi zakazami eksportu sprzętu. Aby wytrenować jeden ze swoich nowszych modeli, firma była zmuszona użyć chipów Nvidia H800, mniej wydajnych niż H100, dostępnych dla amerykańskich przedsiębiorstw.
Zaprezentuj swój projekt na TC Sessions: AI przed ponad 1200 decydentami. Oferta ważna do 9 maja lub do wyczerpania miejsc.
Lokalizacja: Berkeley, CA | Data: 5 czerwca
Zespół techniczny DeepSeek składa się głównie z młodych talentów. Firma aktywnie rekrutuje doktorantów z czołowych chińskich uczelni, a także osoby bez wykształcenia informatycznego, aby poszerzyć zakres wiedzy swoich modeli.
DeepSeek zaprezentował swoje pierwsze modele – DeepSeek Coder, DeepSeek LLM i DeepSeek Chat – w listopadzie 2023. Jednak prawdziwy przełom nastąpił na wiosnę, gdy firma wypuściła nową generację modeli DeepSeek-V2, które zwróciły uwagę całej branży AI.
DeepSeek-V2, system analizujący tekst i obrazy, wypadł znakomicie w testach porównawczych i był znacznie tańszy w eksploatacji niż konkurencyjne modele. To zmusiło takich rywali jak ByteDance czy Alibaba do obniżenia cen swoich rozwiązań, a nawet udostępnienia ich za darmo.
Kolejny model, DeepSeek-V3, wprowadzony w grudniu 2024, tylko utwierdził pozycję firmy. Według wewnętrznych testów, przewyższa on zarówno otwarte modele, takie jak Llama Meta, jak i zamknięte rozwiązania, takie jak GPT-4o OpenAI.
Równie imponujący jest model R1, specjalizujący się w „rozumowaniu”. Według DeepSeek, dorównuje on wydajnością modelowi o1 OpenAI w kluczowych testach. Modele tego typu są wolniejsze, ale bardziej precyzyjne w dziedzinach takich jak fizyka, nauka czy matematyka.
Jednak modele DeepSeek mają ograniczenia – podlegają chińskim regulacjom, które wymuszają zgodność z „socjalistycznymi wartościami”. Na przykład chatbot firmy nie odpowiada na pytania dotyczące Tiananmen czy autonomii Tajwanu.
W marcu liczba odwiedzin DeepSeek przekroczyła 16,5 miliona, choć wciąż daleko mu do ChatGPT, który w tym samym czasie osiągnął 500 milionów aktywnych użytkowników tygodniowo.
Strategia biznesowa DeepSeek pozostaje niejasna. Firma oferuje swoje produkty po bardzo niskich cenach, a niektóre wręcz za darmo. Mimo ogromnego zainteresowania inwestorów, nie przyjmuje zewnętrznego finansowania.
DeepSeek twierdzi, że osiągnął taką efektywność kosztową dzięki przełomowym rozwiązaniom, choć niektórzy eksperci podważają te deklaracje.
Niezależnie od tego, modele DeepSeek zyskały popularność wśród developerów. Choć nie są open source w tradycyjnym rozumieniu, są dostępne na licencjach pozwalających na komercyjne wykorzystanie. Na platformie Hugging Face powstało ponad 500 pochodnych modeli R1, które zostały pobrane 2,5 miliona razy.
Sukces DeepSeek nazywany jest zarówno „przewrotem w AI”, jak i „przesadzoną hype’em”. W styczniu notowania Nvidii spadły o 18%, częściowo z powodu rosnącej popularności chińskiej firmy. Sam Altman, CEO OpenAI, publicznie skomentował osiągnięcia DeepSeek, a w marcu amerykański Departament Handlu zakazał używania ich rozwiązań na urządzeniach rządowych.
Microsoft dodał modele DeepSeek do swojej usługi Azure AI Foundry, podczas gdy Meta zapowiedziała dalsze inwestycje w infrastrukturę AI. OpenAI określiło DeepSeek jako „dotowany przez państwo” i wezwało do rozważenia zakazu jego modeli w USA.
Jensen Huang, CEO Nvidii, pochwalił innowacyjność DeepSeek, podkreślając, że modele oparte na „rozumowaniu” wymagają większej mocy obliczeniowej, co jest korzystne dla jego firmy.
Jednocześnie niektóre przedsiębiorstwa i kraje, w tym Korea Południowa, wprowadziły zakazy korzystania z DeepSeek. W maju Brad Smith z Microsoftu potwierdził, że pracownicy firmy nie mogą używać chińskiej aplikacji ze względów bezpieczeństwa danych.
Przyszłość DeepSeek pozostaje niepewna. Choć rozwój modeli jest pewny, rząd USA coraz bardziej obawia się zagranicznego wpływu. W marcu The Wall Street Journal doniósł, że DeepSeek prawdopodobnie zostanie zakazany na urządzeniach rządowych w Stanach Zjednoczonych.
Artykuł został pierwotnie opublikowany 28 stycznia 2025 roku i będzie regularnie aktualizowany.
SoundCloud najwyraźniej dokonał cichej zmiany w swoich warunkach korzystania z usługi, aby umożliwić firmie wykorzystywanie utworów przesyłanych przez użytkowników do szkolenia sztucznej inteligencji.
Jak zauważył specjalista ds. etyki technologicznej Ed Newton-Rex, najnowsza wersja regulaminu SoundCloud zawiera klauzulę, która zezwala platformie na wykorzystywanie przesłanych utworów do „informowania, trenowania lub rozwoju” systemów AI.
„Wyraźnie zgadzasz się, że Twoje treści mogą być używane do informowania, trenowania, rozwoju lub jako dane wejściowe dla technologii lub usług sztucznej inteligencji jako część świadczenia usług” – brzmi fragment regulaminu zaktualizowanego 7 lutego.
SoundCloud wydaje się rościć sobie prawo do trenowania AI na muzyce przesyłanej przez użytkowników w swoich warunkach. Uważam, że mają wiele pytań do wyjaśnienia w tej sprawie.
Sprawdziłem archiwalne wersje – ten zapis został dodany do regulaminu 12 lutego 2024. Jestem użytkownikiem SoundCloud i nie widziałem żadnej informacji o tej zmianie...
Nowe zasady nie dotyczą utworów objętych „osobnymi umowami” z podmiotami posiadającymi prawa autorskie, takimi jak wytwórnie płytowe. SoundCloud ma liczne umowy licencyjne zarówno z niezależnymi wytwórniami, jak i dużymi wydawcami muzycznymi, w tym Universal Music i Warner Music Group.
Redakcja TechCrunch nie znalazła w ustawieniach platformy opcji wyraźnej rezygnacji z tego rozwiązania. SoundCloud nie odpowiedział natychmiast na prośbę o komentarz.
Podobnie jak wiele dużych platform dla twórców, SoundCloud coraz bardziej angażuje się w rozwój sztucznej inteligencji.
W zeszłym roku firma nawiązała współpracę z kilkunastoma dostawcami, aby wprowadzić na swoją platformę narzędzia AI do remiksowania, generowania wokali i tworzenia własnych sampli. W komunikacie z jesieni SoundCloud zapewniał, że partnerzy otrzymają dostęp do rozwiązań identyfikujących treści, aby „zapewnić właściwe uznanie i wynagrodzenie właścicielom praw”, oraz zobowiązał się do „przestrzegania etycznych i przejrzystych praktyk AI, które szanują prawa twórców”.
W ostatnich miesiącach wiele platform hostingowych i społecznościowych zmieniło swoje zasady, aby umożliwić szkolenie AI na danych użytkowników. W październiku X (dawniej Twitter) zaktualizował politykę prywatności, zezwalając zewnętrznym firmom na trenowanie AI na postach użytkowników. We wrześniu LinkedIn zmienił regulamin, aby móc zbierać dane użytkowników do szkolenia AI. W grudniu YouTube zaczął zezwalać podmiotom zewnętrznym na trenowanie AI na filmach użytkowników.
Te zmiany spotkały się z krytyką użytkowników, którzy twierdzą, że polityka szkolenia AI powinna wymagać wyraźnej zgody (opt-in), a nie domyślnej zgody (opt-out), oraz że powinni otrzymywać wynagrodzenie za swój wkład w zbiory danych do trenowania AI.