Группа Arenadata — лидер рынка управления данными по версии

Группа Arenadata увеличивает доли в дочерних компаниях Компания провела конвертацию выпущенных до IPO привилегированных акций, в итоге: 1️⃣ Была увеличила доля Группы в дочерних организациях — ООО «Аренадата Софтвер», основной операционной компании, и ООО «Тера Интегро» до 100%. 🔹Из выпуска Г на реализацию программы обмена с миноритарными акционерами дочерних компаний была направлена 7 436 001 акция, что экономически эквивалентно стоимости ПАО «Группа Аренадата» за доли в операционных компаниях. 🔹На превалирующую долю переданных акций наложено ограничение на отчуждение (lock-up) до конца 2026 года. 2️⃣ Из выпуска А в рамках исполнения программы долгосрочной мотивации сотрудников было использовано 2 670 814 акций. ❗Главное: Общее количество обыкновенных голосующих акций ПАО «Группа Аренадата» составляет 232 558 140 акций, из них зарезервированных в ЗПИФ «Мир больших данных» под контролем Компании – 4 430 123 акций. Размер уставного капитала, состоящего теперь только из обыкновенных акций, не меняется. 🔗 Подробнее в официальном пресс-релиз на сайте компании: https://arenadata.tech/about/news/pao-gruppa-arenadata-uvelichivaet-doli-v-dochernih-kompaniyah/ DATA

Каталог данных как фундамент промышленного ИИ 🏭 Почему многие проекты по внедрению искусственного интеллекта (ИИ) на производстве заходят в тупик? Ответ часто кроется не в алгоритмах, а в качестве данных. Без прозрачной структуры и понимания жизненного цикла информации нейросети рискуют остаться лишь дорогой игрушкой с непредсказуемым результатом. В новом материале (https://indpages.ru/auto/katalog-dannyh-kak-osnova-promyshlennogo-ii/ ) мы разбираем, как каталог данных становится стратегическим ресурсом для развития промышленного ИИ. Почему каталог данных критически важен для компаний: 🔹 Единая карта ответственности Каталог превращает хаотичные массивы информации в структурированный дата-актив. Он связывает воедино технические метаданные, бизнес-термины, происхождение данных, правила качества и права доступа → в идеале именно на этой базе обучаются ИИ-модели. 🔹 Прозрачность происхождения Каталог позволяет проследить историю данных (Data Lineage) от датчика на станке до отчета на столе руководителя. 🔹 Снижение рисков Правильно выстроенная система каталогизации исключает ошибки при принятии решений, основанных на алгоритмах ИИ. 🔹 Универсальный язык Внедрение инноваций невозможно без единого глоссария, который одинаково понимают ИТ-специалисты и бизнес-заказчики. ⚙️ В основе продуктов Группы Arenadata лежат инструменты Data Governance — это система правил, ролей и процессов, определяющих, кто отвечает за показатель, как контролируется его качество и каким образом данные используются в аналитике и ИИ. 🔗 Чтобы изучить тему Data Governance глубже, рекомендуем посмотреть новое видеоинтервью с Игорем Моисеевым, директором по развитию бизнеса DataCatalog (входит в Группу Arenadata): https://vkvideo.ru/video-147838266_456239928 DATA #datagovernance

Разбираем новые термины 📚 Сегодня поговорим про совместную безопасную работу с данными. Это одна из самых быстрорастущих областей в data-индустрии: бизнесу важно извлекать ценность не только из самостоятельно собранных данных, но и использовать накопленные знания в индустрии или смежных отраслях. Существует 2 больших класса конфиденциальных вычислений: аппаратные и программные. Группа Arenadata занимается разработкой именно ПО как в части хранения и аналитики данных, так и в области конфиденциальных вычислений. Разбираем ключевые понятия 👇 🌟 Конфиденциальные вычисления (Confidential Computing) — подход к обработке данных, при котором данные защищены на всех этапах: при хранении, передаче и даже во время обработки. Это позволяет работать с чувствительной информацией без риска утечки. Опишем несколько типов конфиденциальных вычислений: MPC, федеративное обучение и гомоморфное шифрование. 🌟 MPC (многосторонние вычисления) — позволяют нескольким сторонам вычислить результат на основе их общих данных, не раскрывая свои приватные данные друг другу: Этап 1: деление данных. Каждый участник разбивает свою информацию на зашифрованные части («осколки»). Этап 2: распределенные вычисления. Эти «осколки» отправляются другим участникам или узлам сети, где проводятся математические операции. Этап 3: сбор результата. Получается общий итог, который расшифровывается, но никто из участников не видит данные, предоставленные другими. 🌟 Федеративное обучение — это метод машинного обучения, который тренирует алгоритм на нескольких удаленных устройствах или серверах без обмена исходными данными между ними. Серверы обмениваются только обновлениями (весами) для моделей, которые содержат очень сжатую, концентрированную информацию, и извлечь из них данные одного отдельного сервера затруднительно. Более того, обмен этими обновлениями часто дополнительно защищают с помощью многосторонних вычислений или гомоморфного шифрования, что делает федеративное обучение методом с доказуемой безопасностью и показывает, что технологии конфиденциальных вычислений не конкурируют, а усиливают друг друга. 🌟 Гомоморфное шифрование (Homomorphic Encryption) — метод шифрования, позволяющий выполнять вычисления прямо на зашифрованных данных. Результат также остаётся зашифрованным и доступен только владельцу данных. Расширение спектра использования конфиденциальных вычислений способствует развитию совместных проектов и созданию инновационных продуктов и услуг. И все это благодаря математическому алгоритму, безопасность которого можно обосновать. ⚙️ На нашей ежегодной конференции ArenaDay Алла Лугунова, руководитель монетизации данных для кредитного бизнеса Т-Банка, рассказала о практических кейсах применения технологии. Видео доступно по ссылке: https://rutube.ru/video/private/cde9fc4918b7b1c3f9065d225bb23691/?p=Xl3IRHgMIACsYP9sgkP4aw Какие темы разобрать следующими? 👇 👍 — технологии, на которых строится data-платформы Группы ⚙️ — технологические партнерства 🚀 — реальные бизнес-кейсы #знания_от_эмитента DATA