Wenn Sie das letzte Jahr verbracht haben Springen zwischen Tabsdu hast es gespürt. Bei der Kluft zwischen ChatGPT und Claude geht es nicht mehr um Benchmarks, sondern darum Identität. Wir entscheiden uns nicht mehr zwischen „good“ und „smarter“. Wir wählen zwischen a multimodales Kraftpaket und a treue Argumentationsmaschine.

Dadurch haben Benutzer die Wahl zwischen zwei sehr unterschiedlichen Produktphilosophien: dem werkzeugreichen, multimodalen Ökosystem von OpenAI und dem stärker auf Argumentation ausgerichteten, sicherheitsbewussten Ansatz von Anthropic. Dieser Artikel wird Ihnen dabei helfen, diese Wahl zu treffen. Der wirkliche Unterschied besteht nicht darin, was diese Modelle können. Hier fangen sie an brechen.

ChatGPT: Die alte Garde

Der Einfluss von ChatGPT auf das KI-Ökosystem ist nicht zu unterschätzen. Wenn Sie von großen Sprachmodellen gehört haben, haben Sie wahrscheinlich auch von ChatGPT gehört. Als Pionier moderner KI-gestützter Chatbots wurde OpenAI mit der Einführung von ChatGPT im Jahr 2022 zu einem bekannten Namen.

Über die Erstveröffentlichung hinaus entwickelte sich ChatGPT durch aufeinanderfolgende Modellaktualisierungen wie z GPT-4GPT-4 Turbo und GPT-4o. Mit jeder Iteration erweiterte OpenAI seine Fähigkeiten über die einfache Konversation hinaus auf Bereiche wie Bildgenerierung, Dateianalyse, Durchsuchen und multimodale Interaktion.

Diese stetige Weiterentwicklung machte ChatGPT von einem „Chatbot“ zu einem weit verbreiteten Produktivitätstool.

Claude: Die Denkmaschine

Claude entwickelte sich Ende 2023 zu einer der stärksten Alternativen zu ChatGPT. Als sicherheitsorientierte Lösung eingeführt LLMDie Familie Claude erlangte schnell Aufmerksamkeit für ihre Fähigkeit, lange Dokumente und strukturierte Aufgaben mit unübertroffener Konsistenz zu bearbeiten.

Im Gegensatz zu ChatGPT bietet Claude keine Einheitsmodelle an. Stattdessen verteilen sich ihre Modelle auf drei Familien:

• Opus – Die leistungsstärksten Modelle von Anthropic, die für komplexe Überlegungen, tiefgreifende Analysen und fortgeschrittene Codierungsaufgaben entwickelt wurden.
• Sonett — Ausgewogene Modelle, die starke Denk- und Schreibfähigkeiten bieten und gleichzeitig schnell genug für den täglichen Gebrauch bleiben.
• Haiku — Leichte Hochgeschwindigkeitsmodelle, optimiert für schnelle Reaktionen und Anwendungen mit hohem Volumen.

Jede Familie ist auf ein anderes Gleichgewicht zwischen Leistungsfähigkeit, Geschwindigkeit und Kosten ausgelegt, sodass Entwickler das Modell auswählen können, das am besten zu ihrer Arbeitslast passt.

Praktisch

Keine Menge Maßstäbe oder Lob kann jemanden davon überzeugen, ein Modell zu verwenden. Den Ausschlag gibt die Leistung bei einer realen Aufgabe. Dazu würden wir die Flaggschiffmodelle jeder Familie im Rahmen der folgenden Aufgaben testen:

1. E-Mail-Verfeinerung
2. Code-Debugging-Take a look at
3. Strukturiertes Denken
4. Strikte Befolgung der Anweisungen

Aufgabe 1 – E-Mail-Verfeinerung

Zweck: Tonkorrektur und Verbesserung der Klarheit bei einer realen Schreibaufgabe.

E-Mail

Hallo Mark,

Ich gehe nur noch einmal auf den Datensatz ein, den Sie letzte Woche senden wollten. Wir warten immer noch darauf und es blockiert die Analyse auf unserer Seite. Das Kundentreffen steht bald an und ohne die Daten kommen wir nicht wirklich voran.

Außerdem ist mir aufgefallen, dass in einigen Dateien aus dem vorherigen Stapel Spalten fehlten, daher benötigen wir möglicherweise auch eine korrigierte Model davon. Könnten Sie das überprüfen, wenn Sie die aktualisierten Daten senden?

Lassen Sie mich wissen, wann Sie es verschicken können.

Danke
Ronald

Immediate

Rewrite the e-mail beneath so it sounds extra skilled and clear.
Necessities:
• Preserve the message well mannered however agency
• Enhance grammar and readability
• Preserve the e-mail concise
• Protect the unique intent
• Don't considerably improve the size

Urteil: Beide Antworten waren großartig. Sie können beides als Lösung für dieses spezielle Downside auswählen. Ich würde Claudes Antwort vorziehen, da sie die Möglichkeit bietet, dies direkt per E-Mail zu senden In Mail öffnen Possibility (MCP Integration). Ansonsten reagierten beide Modelle akzeptabel.

Gewinner: Beide

Aufgabe 2 – Code-Debugging-Take a look at

Zweck: Testet logisches Denken und Codierungsgenauigkeit.

Python-Skript:

def common(numbers):
   complete = 0
   for i in vary(len(numbers)):
       complete += i

   return complete / len(numbers)

knowledge = (10, 20, 30, 40, 50)
print("Common:", common(knowledge))

Immediate

The next Python script is meant to calculate the common of an inventory of numbers.
1. Determine the bug
2. Clarify why it occurs
3. Present a corrected model of this system
4. Recommend one enchancment to make the perform extra sturdy

You're a product strategist evaluating subscription tiers.
Utilizing the dataset above:
1. Calculate the estimated month-to-month income for every tier.
2. Analyze the churn charges.
3. Suggest whether or not any tier needs to be discontinued.
4. Present a transparent step-by-step rationalization in your resolution.

Write a product launch announcement for a brand new note-taking app.
Necessities:
• Precisely 120 phrases
• Use a assured however not hype-heavy tone
• Point out solely 3 options
• Embrace the phrase: designed for centered work
• Finish with a single-sentence name to motion

Notiz: ChatGPT Plus und Claude Für die Aufgaben wurden Pluspunkte verwendet.

Kosten der Intelligenz

Sowohl Anthropic als auch OpenAI bieten Modelle an, auf die kostenlos zugegriffen werden kann. Aber die kostenlose Erfahrung ist Unterteil. Von langen Wartezeiten bis hin zu geringen Nutzungsbeschränkungen sind die kostenpflichtigen Versionen quick eine Notwendigkeit für ein gutes Erlebnis.

Die Einschränkungen

Die Modelle ChatGPT und Claude haben viel Gutes an sich. Aber sie sind nicht ohne Fehler. Hier sind einige der auffälligsten Probleme, die Claude- und ChatGPT-Modelle haben:

Abschluss

Wenn Sie bis hierher gekommen sind, müssen Sie festgestellt haben, dass die Modellangebote von OpenAI und Anthropic recht intestine sind. Wählen Sie das Modell, das zu Ihrer Arbeitsweise passt.

• Claude ist auf Codierung und Argumentation spezialisiert und daher perfect für Programmierer und Wissenschaftler.
• ChatGPT ist ein Alleskönner bei vielen Aufgaben und eignet sich daher für die breite Öffentlichkeit.

Berücksichtigen Sie bei der Auswahl die Einschränkungen des Modells.

Mehr lesen: So wechseln Sie von ChatGPT zu Claude, ohne Kontext oder Speicher zu verlieren

Ich bin auf die Überprüfung und Verfeinerung von KI-gestützter Forschung, technischer Dokumentation und Inhalten im Zusammenhang mit neuen KI-Technologien spezialisiert. Meine Erfahrung umfasst KI-Modelltraining, Datenanalyse und Informationsabruf und ermöglicht es mir, Inhalte zu erstellen, die sowohl technisch korrekt als auch zugänglich sind.

NEW YORK, 10. Dezember 2025 – Während die Weltgesundheitsorganisation davor warnt, dass künstliche Intelligenz im Gesundheitswesen möglicherweise schneller voranschreitet, als die Sicherheitsstandards mithalten können, sagt ein Arzt-CEO, dass das Gespräch einen entscheidenden Punkt übersieht: klinisch aufgebaute und klinisch gesteuerte KI könnte mittlerweile eines der leistungsstärksten lebensrettenden Werkzeuge sein, über die die Medizin verfügt.

„Die WHO hat absolut Recht, wenn sie auf die Risiken hinweist, die mit dem rasanten Aufstieg der KI im Gesundheitswesen einhergehen“, sagte Dr. Essam Hamza, CEO von Rocket Physician AI Inc. „Zu viele Systeme verlassen sich auf undurchsichtige Algorithmen und die Möglichkeit von Halluzinationen, ohne die rechtlichen oder klinischen Schutzmaßnahmen, die Patienten und Gesundheitspersonal verdienen. Bei Rocket Physician AI haben wir einen grundlegend anderen Ansatz gewählt.“

Rocket Physician AI positioniert seine von Ärzten erstellte International Library of Drugs (GLM) und eine Reihe von KI-gesteuerten Lösungen als Kontrapunkt zu undurchsichtigen, zu Halluzinationen neigenden KI-Systemen, die derzeit weltweite Besorgnis erregen. Da die Nachfrage nach vertrauenswürdigen klinischen Instrumenten, die den Verwaltungsaufwand reduzieren und die Genauigkeit von Diagnosen erhöhen, steigt, ist das Unternehmen davon überzeugt, dass seine über mehr als ein Jahrzehnt von Hunderten von Klinikern entwickelte Methodik das Modell ist, das die Branche braucht.

„Wir verwenden große Sprachmodelle nur als Präsentationsebene – niemals als Quelle klinischer Beurteilung“, sagte Dr. Hamza. „Die im Rahmen von GLM generierten klinischen Behandlungspfade, Differenzialdiagnosen und Empfehlungen basieren auf geprüftem, evidenzbasiertem medizinischem Wissen.

„Dieses Design stellt sicher, dass KI zur Unterstützung und nicht als Ersatz für medizinisches Fachpersonal eingesetzt wird – was die Sicherheit stärkt, die Entscheidungsfindung verbessert und letztlich bessere Ergebnisse für die Patienten liefert“, fuhr er fort. „Innovationen im Gesundheitswesen müssen schnell, aber auch sicher voranschreiten. Unser Ziel ist es, beides zu tun.“

Rocket Physician AI Inc. liefert von Ärzten entwickelte, KI-gestützte Lösungen, die darauf ausgelegt sind, eine qualitativ hochwertige Gesundheitsversorgung während der gesamten Patientenreise zugänglich zu machen. Ein Eckpfeiler der proprietären Technologie des Unternehmens ist die International Library of Drugs (GLM), ein klinisch validiertes Entscheidungsunterstützungssystem, das unter Mitwirkung von Hunderten von Ärzten weltweit entwickelt wurde.

Neben dem GLM gibt es Rocket Physician Inc. und seine KI-gestützte digitale Gesundheitsplattform und seinen Marktplatz, die es über 300 Ärzten ermöglicht haben, mehr als 700.000 Patientenbesuche durchzuführen. Durch die Reduzierung des Verwaltungsaufwands und die Wiederherstellung der Autonomie der Ärzte erweitert Rocket Physician AI den Patientenzugang, verbessert gleichzeitig die Diagnosekonsistenz und unterstützt unterversorgte Gemeinden in Kanada und den Vereinigten Staaten.

Dr. Essam Hamza ist Arzt, Unternehmer, Technologieinnovator sowie CEO und Direktor von Rocket Physician AI Inc. mit mehr als zwei Jahrzehnten Erfahrung in der Weiterentwicklung digitaler Gesundheitslösungen. Er erwarb seinen Doktor der Medizin an der College of Alberta.

Dr. Hamza gründete HealthVue Ventures Ltd. im Jahr 2005 und baute ein Netzwerk fortschrittlicher medizinischer Kliniken auf, die über 100.000 Patienten betreuten. Im Jahr 2018 gründete er CloudMD, einen Pionier im Bereich der virtuellen Gesundheitstechnologie, und fungierte bis 2022 als CEO und Direktor. Er leitete die Entwicklung des Unternehmens zu einem börsennotierten Unternehmen an der TSX Enterprise Alternate mit einem Umsatzanstieg von unter 4 Millionen US-Greenback auf über 100 Millionen US-Greenback.

Dr. Hamza hatte außerdem Führungs- und Beratungsfunktionen in den Bereichen Gesundheitswesen und Biotechnologie inne, unter anderem als unabhängiger Direktor bei einer Reihe börsennotierter Unternehmen. Mit umfassender Kapitalmarkterfahrung hat er mehrere Unternehmungen an der Schnittstelle von Medizin und Innovation erfolgreich skaliert und finanziert.

Durchlesen Cloudflares detaillierte Exposé und die umfangreiche MedienberichterstattungDie Kontroverse um Verwirrigkeit von AIs Net -Scraping -Praktiken ist tiefer – und polarisierender – als zuerst erscheint. CloudFlare beschuldigt Verwirrung, Web site -Blöcke systematisch zu ignorieren und ihre Identität zu maskieren, um Daten von Web sites abzukratzen, die sich abgemeldet haben, und stellte ernsthafte Fragen zu Ethik, Transparenz und der Zukunft des Geschäftsmodells des Internets auf.

Was Cloudflare beobachtete

Der Bericht von CloudFlare und unabhängige Untersuchungen zeigen, dass Verwirrung, ein KI -Startup, angeblich Inhalte von Web sites kriecht und kratzt, die explizit signalisieren (über Robots.txt und direkte Blöcke), dass KI -Instruments nicht willkommen sind. Zu den technischen Erkenntnissen gehören das Ändern von Benutzeragenten, um Browser wie Google Chrome auf MacOS und rotierende autonome Systemnummern (ASNs) zu rotieren – anspruchsvolle Taktiken, die zur Erkennung und Blöcken ausgewiesen sind. CloudFlare behauptet, dass dieses verdeckte Kratzer über Zehntausende von Domänen festgestellt wurde, täglich Millionen von Anfragen generierte und den Crawler mit maschinellem Lernen und anderen Netzwerksignalen fingert.

Warum die Anschuldigungen wichtig sind

Seit Jahrzehnten verwenden Web sites Robots.txt als „Gentleman -Vereinbarung“, um Bots zu sagen, was erlaubt ist. Obwohl in sehr wenigen Gerichtsbarkeiten unlawful ist, besteht die Norm unter Führungskräften wie OpenAI und Anthropic darin, diese Signale zu respektieren. Der mutmaßliche Ansatz von Verwirrlichkeit untergräbt diesen ungeschriebenen Vertrag und schlägt auf die Bereitschaft hin, die Wünsche der Web site -Eigentümer bei der Verfolgung von Schulungsdaten zu umgehen.

Dieses Drawback explodierte genau, als CloudFlare seinen neuen Marktplatz „Pay Per Crawl“ auf den Markt brachte, auf dem Writer für AI Bot -Zugriff und die meisten Crawler standardmäßig die meisten Crawlers blockiert. Die wichtigsten Retailers – The Atlantic, Buzzfeed, Time Inc. und O’Reilly – haben sich angemeldet, und über 2,5 Millionen Web sites sind jetzt das KI -Coaching unzulässig.

Verwirrung reagiert

Die Sprecherin von Verwirrlichkeit entließ den Weblog -Beitrag von Cloudflare als kaum mehr als ein „Verkaufsgespräch“, der behauptete, die Screenshots zeigen, dass kein Inhalt zugegriffen wurde. Verwirrte argumentierte später, dass viel von dem, was CloudFlare-Sägen genutzte, eher benutzerorientiertes Abrufen (ein AI-Agent, der auf direkte Benutzeranfragen wirkt) als automatisiertes Crawling-eine wichtige Unterscheidung in laufenden Debatten darüber, was „Scraping“ wirklich bedeutet, eine wichtige Auszeichnung warfare. Sie erwähnten auch, dass ähnliche Vorfälle zuvor stattgefunden hatten, insbesondere Vorwürfe des Plagiats von Verkaufsstellen wie Wired, und das Unternehmen hat Schwierigkeiten, seine eigenen Requirements für die Verwendung von Inhalten zu definieren.

Geteilte Reaktionen und breitere Auswirkungen

• Cloudflares Haltung: Schützen Sie die Geschäftsmodelle von Publishern, erzwingen Sie Blocksignale und berechnen Sie den „KI -Zugriff“ auf Inhalte.
• Verwirrung der Verteidigung: AI -Webagenten sollten beim Handeln für Benutzer nicht vom menschlichen Surfen unterschieden werden.
• Neighborhood -Debatte: Einige argumentieren auf sozialen Plattformen, dass ein Benutzer, wenn er eine öffentliche Web site über Verwirrung anfordert, damit vergleichbar ist, sie in Firefox zu öffnen. Andere kontert, dass dies die Anzeigeneinnahmen und Kontrolle der Standortbesitzer über ihre Daten schadet.

Das Gesamtbild: Das Geschäftsmodell des Internets verändert sich

• Inhaltsmonetarisierung verschiebt sich schnell. Verlage wechseln von Anzeigen zu Zugangsgebühren, und das Schabt wird zu einem Pay-to-Play-Markt.
• Transparenz und Konformität sind nicht mehr non-obligatory. KI -Firmen stehen vor steigenden Reputations- und Rechtsrisiken, wenn sie sich um Ausweichen von Blöcken erwischen oder Inhalte missbrauchen.
• Datenpartnerschaften wird die Zukunft definieren. Große KI -Akteure investieren in Lizenzverträge mit Verlegern, anstatt sich auf Stealth Scraping zu verlassen.

Abschluss

Unabhängig davon, ob Verwirrung ungerechtfertigt oder wirklich gegen Webnormen verstoßen wird, ist dies ein Wassereinzugsgebietsmoment. Die Ära der „freien Daten“ für die KI endet. Ethik, Wirtschaft und neue Gatekeeping -Plattformen wie CloudFlare drängen eine Verschiebung zu bezahlten Daten, größerer Rechenschaftspflicht und nachhaltigen Inhaltspartnerschaften. Wenn sich KI -Unternehmen nicht anpassen, werden sie mit verschlossenen Toren und einem fragmentierten, paywallierten Web konfrontiert – und das letztendlich die Grundlage der digitalen Welt umformiert.

Schauen Sie sich das an Technische Particulars. Fühlen Sie sich frei, unsere zu überprüfen Github -Seite für Tutorials, Codes und Notizbücher.

Asif Razzaq ist der CEO von Marktechpost Media Inc. Sein jüngstes Bestreben ist die Einführung einer Medienplattform für künstliche Intelligenz, Marktechpost, die sich durch die ausführliche Berichterstattung über maschinelles Lernen und Deep-Studying-Nachrichten auszeichnet, die von einem breiten Publikum technisch intestine und leicht verständlich sind. Die Plattform verfügt über über 2 Millionen monatliche Ansichten und veranschaulicht ihre Beliebtheit des Publikums.

Ich kann mir keinen wichtigeren Datensatz vorstellen. Erst heute habe ich eine Überschrift wie diese gesehen: „Wärmewellen werden mit dem Klimawandel gefährlicher.“ Sie können nicht sagen, dass wir nicht gewarnt wurden. 1988 sahen wir wie folgt Schlagzeilen: ‚Die globale Erwärmung hat begonnen, sagt Experte dem Senat, erzählt den Senat. ‚ Und während Knowledge Science seine Rolle bei der Erkenntnis gespielt hat, dass wir wahrscheinlich das von der Pariser Vereinbarung festgelegte Ziel von 1,5 ° C übertreffen werden, gibt es weit mehr, was wir tun könnten. Zum einen glauben die Leute nicht, aber die Daten sind leicht verfügbar, kostenlos und leicht zugänglich. Sie können es selbst überprüfen! In dieser Episode werden wir es additionally tun. Wir werden auch über die überraschenden und interessanten Möglichkeiten sprechen, wie diese Daten derzeit verwendet werden, um die Auswirkungen des Klimawandels zu bekämpfen.

Aber auch Klimadaten sind unglaublich interessant. Sie haben wahrscheinlich auch Schlagzeilen wie: Der blaue Begin von 6 Personen in den suborbitalen Raum verzögerte sich aufgrund des Wetters erneut. Was lässt Sie denken, wenn wir jemanden zum Mond schicken können, warum können wir dann nicht sicher sein, dass das Wetter sich sicherstellen kann? Wenn schwierig es nicht beschreibt, dann a Mehrdimensionaler stochastischer Prozess könnte. Aus Sicht der Datenwissenschaft ist dies unsere Riemann -Hypothese, unser P vs NP -Drawback. Wie intestine wir Klimadaten modellieren und verstehen können, werden unsere nächsten Jahrzehnte auf dieser Erde prägen. Dies ist das wichtigste Drawback, an dem wir arbeiten könnten.

Und während New York gerade eine Hitzewelle durchgemacht hat, muss festgestellt werden, dass der Klimawandel schlechter ist als nur heißeres Wetter.

• Versagen von Ernten untergraben die globale Ernährungssicherheit, insbesondere in gefährdeten Regionen.
• Vektor übertragene Krankheiten erweitern sich mit zunehmendem Temperatur in neue Regionen.
• Massenaussterben stören Ökosysteme und erodieren die Resilienz der Planeten.
• Die Ozeanversuche lösten marine Lebensmittelketten, bedrohliche Fischerei und biologische Vielfalt.
• Süßwasserversorgung schwindet unter dem Druck von Trockenheit, Umweltverschmutzung und Überbeanspruchung.

Aber nicht alles ist verloren; Wir werden über einige der Artwork und Weise sprechen, wie Daten verwendet wurden, um diese Probleme anzugehen. Hier ist eine Zusammenfassung einiger Daten, die die NASA im Auge behalten. Wir werden auf einige dieser Parameter zugreifen.

Daten erhalten

Wir werden zunächst einige interessante Orte auswählen, die wir in dieser Serie untersuchen werden. Alles, was wir brauchen, sind ihre Koordinaten – einen Klick auf Google Maps. Ich verwende hier eine ganze Reihe von Dezimalstellen, aber die meteorologische Datenquellenauflösung beträgt ½ ° x ⅝ °, sodass nicht so genau sein müsste.

interesting_climate_sites = {
    "Barrow, Alaska (Utqiaġvik)": (71.2906, -156.7886),    # Arctic warming, permafrost soften
    "Greenland Ice Sheet": (72.0000, -40.0000),            # Glacial soften, sea stage rise
    "Amazon Rainforest (Manaus)": (-3.1190, -60.0217),     # Carbon sink, deforestation influence
    "Sahara Desert (Tamanrasset, Algeria)": (22.7850, 5.5228),  # Warmth extremes, desertification
    "Sahel (Niamey, Niger)": (13.5128, 2.1127),            # Precipitation shifts, droughts
    "Sydney, Australia": (-33.8688, 151.2093),             # Heatwaves, bushfires, El Niño sensitivity
    "Mumbai, India": (19.0760, 72.8777),                   # Monsoon variability, coastal flooding
    "Bangkok, Thailand": (13.7563, 100.5018),              # Sea-level rise, warmth + humidity
    "Svalbard, Norway": (78.2232, 15.6469),                # Quickest Arctic warming
    "McMurdo Station, Antarctica": (-77.8419, 166.6863),   # Ice loss, ozone gap proximity
    "Cape City, South Africa": (-33.9249, 18.4241),        # Water shortage, shifting rainfall
    "Mexico Metropolis, Mexico": (19.4326, -99.1332),            # Air air pollution, altitude-driven climate
    "Reykjavík, Iceland": (64.1355, -21.8954),             # Glacial soften, geothermal dynamics
}

Lassen Sie uns als nächstes einige Parameter auswählen. Sie können sie im Parameterwörterbuch durchblättern https://energy.larc.nasa.gov/parameters/

Sie können jeweils nur von einer Neighborhood anfordern, additionally gruppieren wir die Parameter nach Neighborhood.

community_params = {
    "AG": ("T2M","T2M_MAX","T2M_MIN","WS2M","ALLSKY_SFC_SW_DWN","ALLSKY_SFC_LW_DWN",
           "CLRSKY_SFC_SW_DWN","T2MDEW","T2MWET","PS","RAIN","TS","RH2M","QV2M","CLOUD_AMT"),
    "RE": ("WD2M","WD50M","WS50M"),
    "SB": ("IMERG_PRECTOT")
}

Wie werden diese Daten verwendet?

• AG = landwirtschaftliche. Agroökonomisten verwenden diese Neighborhood in der Regel in Pflanzenwachstumsmodellen wie DSSAT und APSIM sowie bei Bewässerungsplanern wie FAO Cropwat. Es wird auch für die Beurteilung der Viehzuchtwärmestress und für den Bau verwendet Frühwarnsysteme für Ernährungssicherheit. Dies hilft, die Unsicherheit der Lebensmittel aufgrund des Klimawandels zu mildern. Diese Daten folgen agroökonomischen Konventionen, sodass sie direkt durch landwirtschaftliche Entscheidungsunterstützungsinstrumente aufgenommen werden können.
• Re = erneuerbare Energien. Angesichts des Namens und der Tatsache, dass Sie Windspeed -Daten von hier erhalten können, können Sie möglicherweise die Verwendung erraten. Diese Daten werden hauptsächlich zur Vorhersage von langfristigen Energieerträgen verwendet. Windgeschwindigkeit für Turbinen, Sonnenstrahlung für Solarparks. Diese Daten können in PVSYST, NREL-SAM und WINDPRO eingespeist werden, um die jährlichen Energieerträge und -kosten abzuschätzen. Diese Daten unterstützt alles vom Dacharray -Design bis hin zu nationalen Zielen für saubere Energie.
• SB = nachhaltige Gebäude. Architekten und HLK -Ingenieure verwenden diese Daten, um sicherzustellen, dass ihre Gebäude den Energieleistungsvorschriften wie IECC oder Ashrae 90.1 entsprechen. Es kann direkt in EnergyPlus, OpenStudio, Retscreen oder Leed/Ashrae Compliance -Rechnungskenner fallen gelassen werden, um zu überprüfen, ob die Gebäude den Code entsprechen.

Jetzt wählen wir einen Begin- und Enddatum.

start_date = "19810101"
end_date   = "20241231"

Damit die API etwas wiederholbares aufruft, verwenden wir eine Funktion. Wir werden mit täglichen Daten arbeiten, aber wenn Sie jährliche, monatliche oder sogar stündliche Daten bevorzugen, müssen Sie nur die URL ändern, um die URL zu ändern

…/Temporal/{Auflösung}/Punkt.

import requests
import pandas as pd

def get_nasa_power_data(lat, lon, parameters, group, begin, finish):
    """
    Fetch every day information from NASA POWER API for given parameters and placement.
    Dates have to be in YYYYMMDD format (e.g., "20100101", "20201231").
    """
    url = "https://energy.larc.nasa.gov/api/temporal/every day/level"
    params = {
        "parameters": ",".be part of(parameters),
        "group": group,
        "latitude": lat,
        "longitude": lon,
        "begin": begin,
        "finish": finish,
        "format": "JSON"
    }
    response = requests.get(url, params=params)
    information = response.json()

    if "properties" not in information:
        print(f"Error fetching {group} information for lat={lat}, lon={lon}: {information}")
        return pd.DataFrame()

    # Construct one DataFrame per parameter, then mix
    param_data = information("properties")("parameter")
    dfs = (
        pd.DataFrame.from_dict(values, orient="index", columns=(param))
        for param, values in param_data.gadgets()
    )
    df_combined = pd.concat(dfs, axis=1)
    df_combined.index.identify = "Date"
    return df_combined.sort_index().astype(float)

Diese Funktion ruft die von uns angegebenen Parameter ab, die wir angefordert haben. Es wandelt auch JSON in einen Datenrahmen um. Jede Antwort enthält immer einen Eigenschaftschlüssel – wenn sie fehlt, drucken wir einen Fehler.

Nennen wir diese Funktion in einer Schleife, um die Daten für alle unsere Standorte abzurufen.

all_data = {}
for metropolis, (lat, lon) in interesting_climate_sites.gadgets():
    print(f"Fetching every day information for {metropolis}...")
    city_data = {}
    for group, params in community_params.gadgets():
        df = get_nasa_power_data(lat, lon, params, group, start_date, end_date)
        city_data(group) = df
    all_data(metropolis) = city_data

Im Second sind unsere Daten ein Wörterbuch, in dem die Werte auch Wörterbücher sind. Es sieht so aus:

Dies macht die Verwendung der Daten kompliziert. Als nächstes kombinieren wir diese zu einem Datenrahmen. Wir beitreten den Daten und verkettet dann. Da es keine fehlenden Werte gab, würde eine innere Verbindung das gleiche Ergebnis ergeben.

# 1) For every metropolis, be part of its communities on the date index
city_dfs = {
    metropolis: comms("AG")
                .be part of(comms("RE"), how="outer")
                .be part of(comms("SB"), how="outer")
    for metropolis, comms in all_data.gadgets()
}

# 2) Concatenate into one MultiIndexed DF: index = (Metropolis, Date)
combined_df = pd.concat(city_dfs, names=("Metropolis", "Date"))

# 3) Reset the index so Metropolis and Date develop into columns
combined_df = combined_df.reset_index()

# 4) Convey latitude/longitude in as columns
coords = pd.DataFrame.from_dict(
    interesting_climate_sites, orient="index", columns=("Latitude", "Longitude")
).reset_index().rename(columns={"index": "Metropolis"})

combined_df = combined_df.merge(coords, on="Metropolis", how="left")

# then save into your Drive folder
combined_df.to_csv('/content material/drive/MyDrive/climate_data.csv', index=False)

Wenn Sie es satt haben, für den Tag zu codieren, können Sie auch ihre verwenden Datenzugriffstool. Klicken Sie einfach überall auf der Karte, um die Daten abzurufen. Hier habe ich auf Venedig geklickt. Wählen Sie dann einfach eine Neighborhood, einen zeitlichen Durchschnitt und Ihren bevorzugten Dateityp, CSV, JSON, ASCII, NETCDF und TRITT Senden. Ein paar Klicks und Sie können alle Wetterdaten der Welt erhalten.

https://energy.larc.nasa.gov/dat-access-viewer

Vernunftprüfung

Führen Sie nun eine schnelle Überprüfung der Vernunft durch, um zu überprüfen, ob die Daten, die wir haben, Sinn machen.

import matplotlib.pyplot as plt
import seaborn as sns # Import seaborn

# Load information
climate_df = pd.read_csv('/content material/drive/MyDrive/TDS/Local weather/climate_data.csv')
climate_df('Date') = pd.to_datetime(climate_df('Date').astype(str), format='%Ypercentmpercentd')

# Filter for the desired cities
selected_cities = (
    'McMurdo Station, Antarctica',
    'Bangkok, Thailand',
)
df_selected_cities = climate_df(climate_df('Metropolis').isin(selected_cities)).copy()

# Create a scatter plot with totally different colours for every metropolis
plt.determine(figsize=(12, 8))

# Use a colormap for extra aesthetic colours
colours = sns.color_palette("Set2", len(selected_cities)) # Utilizing a seaborn shade palette

for i, metropolis in enumerate(selected_cities):
    df_city = df_selected_cities(df_selected_cities('Metropolis') == metropolis)
    plt.scatter(df_city('Date'), df_city('T2M'), label=metropolis, s=2, shade=colours(i)) # Utilizing T2M for temperature and smaller dots

plt.xlabel('Date')
plt.ylabel('Temperature (°C)')
plt.title('Day by day Temperature (°C) for Chosen Cities')
plt.legend()
plt.grid(alpha=0.3)
plt.tight_layout()
plt.present()

Ja, die Temperaturen in Bangkok sind etwas heißer als in der Arktis.

# Filter for the desired cities
selected_cities = (
    'Cape City, South Africa',
    'Amazon Rainforest (Manaus)',
)
df_selected_cities = climate_df(climate_df('Metropolis').isin(selected_cities)).copy()

# Arrange the colour palette
colours = sns.color_palette("Set1", len(selected_cities))

# Create vertically stacked subplots
fig, axes = plt.subplots(nrows=2, ncols=1, figsize=(12, 10), sharex=True)

for i, metropolis in enumerate(selected_cities):
    df_city = df_selected_cities(df_selected_cities('Metropolis') == metropolis)
    axes(i).scatter(df_city('Date'), df_city('PRECTOTCORR'), s=2, shade=colours(i))
    axes(i).set_title(f'Day by day Precipitation in {metropolis}')
    axes(i).set_ylabel('Precipitation (mm)')
    axes(i).grid(alpha=0.3)

# Label x-axis solely on the underside subplot
axes(-1).set_xlabel('Date')

plt.tight_layout()
plt.present()

Ja, es regnet mehr im Amazonas -Regenwald als in Südafrika.

Südafrika erfährt Dürren, die den Agrarsektor erheblich belasten.

# Filter for Mexico Metropolis
df_mexico = climate_df(climate_df('Metropolis') == 'Mexico Metropolis, Mexico').copy()

# Create the plot
plt.determine(figsize=(12, 6))
sns.set_palette("husl")

plt.scatter(df_mexico('Date'), df_mexico('WS2M'), s=2, label='WS2M (2m Wind Pace)')
plt.scatter(df_mexico('Date'), df_mexico('WS50M'), s=2, label='WS50M (50m Wind Pace)')

plt.xlabel('Date')
plt.ylabel('Wind Pace (m/s)')
plt.title('Day by day Wind Speeds at 2m and 50m in Mexico Metropolis')
plt.legend()
plt.grid(alpha=0.3)
plt.tight_layout()
plt.present()

Ja, Windgeschwindigkeiten bei 50 Metern sind viel schneller als bei 2 Metern.

Je höher Sie gehen, desto schneller bewegt sich der Wind. In der Flughöhe kann der Wind Geschwindigkeiten von 200 km/h erreichen. Das heißt, bis Sie auf 100.000 Meter Platz erreichen.

Wir werden uns diese Daten in den folgenden Kapiteln viel genauer ansehen.

Es erhitzt sich

Wir haben gerade eine Hitzewelle hier in Toronto durchlaufen. Nach den Geräuschen, die meine Klima gemacht hat, denke ich, dass es quick kaputt gemacht wurde. In einem Temperaturdiagramm müssen Sie jedoch ziemlich genau hinschauen, um zu sehen, dass sie steigen. Dies liegt daran, dass es Saisonalität und erhebliche Variabilität gibt. Die Dinge werden klarer, wenn wir uns den jährlichen Durchschnitt ansehen. Wir nennen eine Anomalie den Unterschied zwischen dem Durchschnitt für ein bestimmtes Jahr und der Grundlinie. Die Baseline ist die durchschnittliche Temperatur über 1981–2024 und wir können dann feststellen, dass der jüngste jährliche Durchschnitt signifikant höher ist als die Grundlinie, hauptsächlich aufgrund der in früheren Jahren vorhandenen kühleren Temperaturen. Das Gegenteil ist gleichermaßen wahr; Der frühe Jahresdurchschnitt ist aufgrund der heißeren Temperaturen in den letzten Jahren deutlich niedriger als die Grundlinie.

Mit allen hier vorhandenen technischen Artikeln mögen Schlagzeilen ‚Grammatik als injizierbar: Ein Trojanisches Pferd zur Verarbeitung natürlicher Sprache von NLP ‚. Ich hoffe, Sie sind nicht enttäuscht von einer einfachen linearen Regression. Aber das ist alles, was es braucht, um zu zeigen, dass die Temperaturen steigen. Dennoch glauben die Leute nicht.

# 1) Filter for Sahara Desert and exclude 2024
metropolis = 'Sahara Desert (Tamanrasset, Algeria)'
df = (
    climate_df
    .loc(climate_df('Metropolis') == metropolis)
    .set_index('Date')
    .sort_index()
)

# 2) Compute annual imply & anomaly
annual = df('T2M').resample('Y').imply()
baseline = annual.imply()
anomaly = annual - baseline

# 3) 5-year rolling imply
roll5 = anomaly.rolling(window=5, heart=True, min_periods=3).imply()

# 4) Linear development
years = anomaly.index.12 months
slope, intercept = np.polyfit(years, anomaly.values, 1)
development = slope * years + intercept

# 5) Plot
plt.determine(figsize=(10, 6))
plt.bar(years, anomaly, shade='lightgray', label='Annual Anomaly')
plt.plot(years, roll5, shade='C0', linewidth=2, label='5-yr Rolling Imply')
plt.plot(years, development, shade='C3', linestyle='--', linewidth=2,
         label=f'Development: {slope:.3f}°C/yr')
plt.axhline(0, shade='okay', linewidth=0.8, alpha=0.6)

plt.xlabel('12 months')
plt.ylabel('Temperature Anomaly (°C)')
plt.title(f'{metropolis} Annual Temperature Anomaly')
plt.legend()
plt.grid(alpha=0.3)
plt.tight_layout()
plt.present()

Die Sahara wird um 0,03 ° C professional Jahr heißer. Das ist die heißeste Wüste der Welt. Wir können sogar jeden Ort überprüfen, den wir ausgewählt haben, und sehen, dass kein einziger einen negativen Development hat.

Additionally ja, die Temperaturen steigen.

Der Wald für die Bäume

Ein großer Grund, warum die NASA diese Daten offen macht, ist die Bekämpfung der Auswirkungen des Klimawandels. Wir haben die Modellierung von Ernteerträgen, erneuerbare Energien und nachhaltige Einhaltung von Gebäuden erwähnt. Es gibt jedoch zusätzliche Möglichkeiten, wie Daten verwendet werden können, um den Klimawandel auf wissenschaftliche und mathematisch fundierte Weise anzugehen. Wenn Sie an diesem Thema interessiert sind, deckt dieses Video von Luis Seco über Dinge ab, die ich in diesem Artikel nicht angesprochen habe, wie wie

• Der Kohlenstoffhandel und der Kohlenstoffpreis
• Vorhersage -Biomasse -Werkzeugoptimierung von Baumpflanzung
• Sicheres Trinkwasser in Kenia
• Die sozioökonomischen Kosten der Emissionen
• Kontrolliertes Verbrennen von Wäldern

Ich hoffe, Sie werden sich mir auf dieser Reise begleiten. In der nächsten Folge werden wir diskutieren, wie Differentialgleichungen wurden verwendet, um das Klima zu modellieren. Und während viel getan wird, um den Klimawandel zu beheben, warfare die frühere Liste der Effekte nicht erschöpfend.

• Schmelzen von Eisblättern destabilisieren die globale Klimaregulierung und beschleunigen Sie den Anstieg des Meeresspiegels.
• Klimabezogene Schäden schädigen die Krüppelwirtschaften durch eskalierende Infrastruktur- und Gesundheitskosten.
• Steigende Anzahl von Klimaflüchtlingen belastet Grenzen und fuptische geopolitische Instabilität.
• Küstenstädte sehen sich aus
• Excessive Wetterereignisse erschüttern Rekorde und verdrängen Millionen.

Aber es gibt Rauschen und Sign, und sie können getrennt werden.

Quellen

• Klimawandel Auswirkungen | Nationales ozeanische und atmosphärische Verwaltung. (ND). https://www.noaa.gov/schooling/resource-collections/local weather/climate-change-impacts
• Freedman, A. (2025, 23. Juni). Wärmewellen werden mit dem Klimawandel gefährlicher – und wir können sie immer noch unterschätzen. CNN. https://www.cnn.com/2025/06/23/local weather/heat-wave-global-warming-links
• Globale Klimavorhersagen zeigen, dass die Temperaturen in den kommenden 5 Jahren erwartet werden oder nahezu Rekordniveau bleiben werden. Weltmeteorologische Organisation. (2025, 26. Mai). https://wmo.int/information/media-centre/global-climate-predictions-show-temperatures-expected-remain-or-near-record-level-coming-5-Jahre
• Die globale Erwärmung hat begonnen, erzählt Experte den Senat (veröffentlicht 1988). Die New York Occasions. (1988, 24. Juni). https://net.archive.org/net/20201202103915/https:/www.nytimes.com/1988/06/24/us/global-warming-has-begun-expert-tells-ssenate.html
• NASA. (ND). NASA LARC Energy Venture. NASA. https://energy.larc.nasa.gov/
• Wall, M. (2025, 20. Juni). Blauer Ursprung, um 6 Personen zum suborbitalen Raum 29. Juni nach Wetterverzögerung zu starten. Raum. https://www.house.com/space-exploration/private-spaceflight/watch-blue-origin-launch-6-people-touborbital-space-on-june-21

Code hier verfügbar

LinkedIn

Um die Cloud -Industrie aufgrund ihres frühen Markteintritts, ihrer robusten Technologie und ihres umfassenden Serviceangebots mit einem Anteil von 32% zu führen. Viele Benutzer sind jedoch eine Herausforderung für die Navigation, und diese Unzufriedenheit führt dazu, dass mehr Unternehmen und Organisationen seine Konkurrenten Microsoft Azure und Google Cloud Platform bevorzugen.

Trotz seiner steileren Lernkurve und weniger intuitiver Schnittstelle bleibt AWS aufgrund seiner Zuverlässigkeit, Hybrid -Cloud und maximalen Serviceoptionen der Prime -Cloud -Service. Noch wichtiger ist, dass die Auswahl der richtigen Strategien die Konfigurationskomplexität erheblich verringern, Workflows optimieren und die Leistung steigern kann.

In diesem Artikel werde ich eine effiziente Möglichkeit einführen, eine vollständige ETL -Pipeline mit Orchestrierung auf AWS einzurichten, die auf meiner eigenen Erfahrung basiert. Es gibt Ihnen auch eine aktualisierte Ansicht über die Datenerzeugung mit AWS oder Sie fühlen sich bei der Durchführung von Konfiguration weniger Probleme, wenn dies zum ersten Mal für bestimmte Aufgaben AWS verwendet wird.

Strategie zur Gestaltung einer effizienten Datenpipeline

AWS hat das umfassendste Ökosystem mit seinen enormen Dienstleistungen. Um ein produktionsbereites Information Warehouse auf AWS zu erstellen, erfordert zumindest die folgenden Dienste:

• IAM – Obwohl dieser Service nicht in einen Teil des Workflows enthalten ist, ist dies die Grundlage für den Zugriff auf alle anderen Dienste.
• AWS S3 – Datenseespeicher
• AWS -Kleber – ETL -Verarbeitung
• Amazon RedShift – Information Warehouse
• CloudWatch – Überwachung und Protokollierung

Sie benötigen außerdem Zugriff auf den Luftstrom, wenn Sie komplexere Abhängigkeiten planen und erweiterte Wiederholungen hinsichtlich der Fehlerbehandlung durchführen müssen, obwohl Rotverschiebung einige grundlegende Cron -Jobs erledigen kann.

Um Ihre Arbeit zu erleichtern, empfehle ich dringend, eine IDE zu installieren (Visible Studio Code oder Pycharm und natürlich können Sie Ihre eigene Lieblings -IDE auswählen). Eine IDE verbessert Ihre Effizienz für komplexe Pythoncode, lokale Exams/Debugging, Versionskontrollintegration und Teamzusammenarbeit dramatisch. In der nächsten Sitzung werde ich Schritt -für -Schritt -Konfigurationen bereitstellen.

Erstes Setup

Hier sind die Schritte der ersten Konfigurationen:

• Starten Sie eine virtuelle Umgebung in Ihrer IDE
• Installieren Sie Abhängigkeiten – Grundsätzlich müssen wir die Bibliotheken installieren, die später verwendet werden.

pip set up apache-airflow==2.7.0 boto3 pandas pyspark sqlalchemy

• Installieren Sie die AWS CLI – Mit diesem Schritt können Sie Skripte schreiben, um verschiedene AWS -Vorgänge zu automatisieren, und die Verwaltung von AWS -Ressourcen effizienter gestaltet.

• AWS -Konfiguration – Geben Sie diese IAM -Benutzer -Anmeldeinformationen ein, wenn Sie aufgefordert werden:
  • AWS Entry Key ID: Von Ihrem IAM -Benutzer.
  • AWS Secret Entry Key: Von Ihrem IAM -Benutzer.
  • Standardregion: us-east-1 (oder Ihre bevorzugte Area)
  • Standardausgabeformat: json.
• Luftstrom integrieren – hier sind die Schritte:
  • Luftstrom initialisieren
  • Erstellen Sie DAG -Dateien im Luftstrom
  • Führen Sie den Webserver unter http: // localhost: 8080 aus (Login: admin/admin).
  • Öffnen Sie eine weitere Registerkarte „Terminal“ und starten Sie den Scheduler

export AIRFLOW_HOME=$(pwd)/airflow
airflow db init
airflow customers create 
  --username admin 
  --password admin 
  --firstname Admin 
  --lastname Person 
  --role Admin 
  --email (e mail protected)
#Initialize Airflow

airflow webserver --port 8080 ##run the webserver

airflow scheduler #begin the scheduler

Entwicklungsworkflow: COVID-19-Datenfallstudie

Ich verwende den öffentlichen Covid-19-Datensatz von JHU (CC nach 4.0 lizenziert) zum Demonstrationszweck. Sie können auf Daten verweisen HierAnwesend

Das folgende Diagramm zeigt den Workflow von der Aufnahme von Daten bis hin zum Laden von Daten bis hin zu Rotverschiebungstabellen in der Entwicklungsumgebung.

Datenaufnahme

Im ersten Schritt der Datenaufnahme in AWS S3 habe ich Daten verarbeitet, indem ich sie zum langen Format schmelze und das Datumsformat konvertierte. Ich habe die Daten im Parkettformat gespeichert, um die Speicherungseffizienz zu verbessern, die Abfrageleistung zu verbessern und die Speicherkosten zu senken. Der Code für diesen Schritt ist wie unten:

import pandas as pd
from datetime import datetime
import os
import boto3
import sys

def process_covid_data():
    attempt:
        # Load uncooked knowledge
        url = "https://github.com/CSSEGISandData/COVID-19/uncooked/grasp/archived_data/archived_time_series/time_series_19-covid-Confirmed_archived_0325.csv"
        df = pd.read_csv(url)
        
        # --- Information Processing ---
        # 1. Soften to lengthy format
        df = df.soften(
            id_vars=('Province/State', 'Nation/Area', 'Lat', 'Lengthy'), 
            var_name='date_str',
            value_name='confirmed_cases'
        )
        
        # 2. Convert dates (JHU format: MM/DD/YY)
        df('date') = pd.to_datetime(
            df('date_str'), 
            format='%m/%d/%y',
            errors='coerce'
        ).dropna()
        
        # 3. Save as partitioned Parquet
        output_dir = "covid_processed"
        df.to_parquet(
            output_dir,
            engine='pyarrow',
            compression='snappy',
            partition_cols=('date')
        )
        
        # 4. Add to S3
        s3 = boto3.shopper('s3')
        total_files = 0
        
        for root, _, recordsdata in os.stroll(output_dir):
            for file in recordsdata:
                local_path = os.path.be part of(root, file)
                s3_path = os.path.be part of(
                    'uncooked/covid/',
                    os.path.relpath(local_path, output_dir)
                )
                s3.upload_file(
                    Filename=local_path,
                    Bucket='my-dev-bucket',
                    Key=s3_path
                )
            total_files += len(recordsdata)
        
        print(f"Efficiently processed and uploaded {total_files} Parquet recordsdata")
        print(f"Information covers from {df('date').min()} to {df('date').max()}")
        return True

    besides Exception as e:
        print(f"Error: {str(e)}", file=sys.stderr)
        return False

if __name__ == "__main__":
    process_covid_data()

Nachdem Sie den Python -Code ausgeführt haben, sollten Sie in der Lage sein, die Parquetdateien in den S3 -Eimer unter dem Ordner von ‚RAW/Covid/‘ zu sehen.

ETL -Pipeline -Entwicklung

AWS -Kleber wird hauptsächlich für die Entwicklung von ETL -Pipeline verwendet. Obwohl es auch für die Aufnahme von Daten verwendet werden kann, auch wenn die Daten nicht auf S3 geladen wurden, liegt seine Stärke in der Verarbeitung von Daten, sobald sie für Information Warehousing -Zwecke in S3 sind. Hier finden Sie PYSPARK -Skripte für die Datenumwandlung:

# transform_covid.py
from awsglue.context import GlueContext
from pyspark.sql.features import *

glueContext = GlueContext(SparkContext.getOrCreate())
df = glueContext.create_dynamic_frame.from_options(
    "s3",
    {"paths": ("s3://my-dev-bucket/uncooked/covid/")},
    format="parquet"
).toDF()

# Add transformations right here
df_transformed = df.withColumn("load_date", current_date())

# Write to processed zone
df_transformed.write.parquet(
    "s3://my-dev-bucket/processed/covid/",
    mode="overwrite"
)

Der nächste Schritt besteht darin, Daten in Rotverschiebung zu laden. Klicken Sie in Redshift -Konsole auf der linken Seite auf „Question Editor Q2“. Sie können Ihren SQL -Code bearbeiten und die Redshift -Kopie beenden.

# Create a desk covid_data in dev schema
CREATE TABLE dev.covid_data (
    "Province/State" VARCHAR(100),  
    "Nation/Area" VARCHAR(100),
    "Lat" FLOAT8,
    "Lengthy" FLOAT8,
    date_str VARCHAR(100),
    confirmed_cases FLOAT8  
)
DISTKEY("Nation/Area")   
SORTKEY(date_str);

# COPY knowledge to redshift
COPY dev.covid_data (
    "Province/State",
    "Nation/Area",
    "Lat",
    "Lengthy",
    date_str,
    confirmed_cases
)
FROM 's3://my-dev-bucket/processed/covid/'
IAM_ROLE 'arn:aws:iam::your-account-id:function/RedshiftLoadRole'
REGION 'your-region'
FORMAT PARQUET;

Dann sehen Sie die Daten erfolgreich in das Information Warehouse hochgeladen.

Pipeline -Automatisierung

Der einfachste Weg, um Ihre Datenpipeline zu automatisieren, besteht darin, Jobs unter RedShift Question Editor V2 durch Erstellen eines gespeicherten Verfahrens zu planen (ich habe eine detailliertere Einführung in die SQL -gespeicherte Prozedur. Dieser Artikel).

CREATE OR REPLACE PROCEDURE dev.run_covid_etl()
AS $$
BEGIN
  TRUNCATE TABLE dev.covid_data;
  COPY dev.covid_data 
  FROM 's3://simba-dev-bucket/uncooked/covid'
  IAM_ROLE 'arn:aws:iam::your-account-id:function/RedshiftLoadRole'
  REGION 'your-region'
  FORMAT PARQUET;
END;
$$ LANGUAGE plpgsql;

Alternativ können Sie Luftstrom für geplante Jobs ausführen.

from datetime import datetime
from airflow import DAG
from airflow.suppliers.amazon.aws.operators.redshift_sql import RedshiftSQLOperator

default_args = {
    'proprietor': 'data_team',
    'depends_on_past': False,
    'start_date': datetime(2023, 1, 1),
    'retries': 2
}

with DAG(
    'redshift_etl_dev',
    default_args=default_args,
    schedule_interval='@every day',
    catchup=False
) as dag:

    run_etl = RedshiftSQLOperator(
        task_id='run_covid_etl',
        redshift_conn_id='redshift_dev',
        sql='CALL dev.run_covid_etl()',
    )

Produktionsworkflow

Die Luftstrom -Dag ist leistungsstark, um Ihre gesamte ETL -Pipeline zu orchestrieren, wenn es viele Abhängigkeiten gibt, und es ist auch eine gute Praxis in der Produktionsumgebung.

Nachdem Sie Ihre ETL -Pipeline entwickelt und getestet haben, können Sie Ihre Aufgaben in der Produktionsumgebung mit dem Luftstrom automatisieren.

Hier finden Sie die Checkliste der wichtigsten Schritte für die Vorbereitung, um den erfolgreichen Einsatz im Luftstrom zu unterstützen:

• Erstellen Sie S3 -Eimer my-prod-bucket
• Kleberjob erstellen prod_covid_transformation In AWS -Konsole
• Erstellen Sie eine Redshift -gespeicherte Prozedur prod.load_covid_data()
• Luftstrom konfigurieren
• Konfigurieren Sie SMTP für E -Mails in airflow.cfg

Anschließend ist die Bereitstellung der Datenpipeline im Luftstrom:

from datetime import datetime, timedelta
from airflow import DAG
from airflow.operators.python import PythonOperator
from airflow.suppliers.amazon.aws.operators.glue import GlueJobOperator
from airflow.suppliers.amazon.aws.operators.redshift_sql import RedshiftSQLOperator
from airflow.operators.e mail import EmailOperator

# 1. DAG CONFIGURATION
default_args = {
    'proprietor': 'data_team',
    'retries': 3,
    'retry_delay': timedelta(minutes=5),
    'start_date': datetime(2023, 1, 1)
}

# 2. DATA INGESTION FUNCTION
def load_covid_data():
    import pandas as pd
    import boto3
    
    url = "https://github.com/CSSEGISandData/COVID-19/uncooked/grasp/archived_data/archived_time_series/time_series_19-covid-Confirmed_archived_0325.csv"
    df = pd.read_csv(url)

    df = df.soften(
        id_vars=('Province/State', 'Nation/Area', 'Lat', 'Lengthy'), 
        var_name='date_str',
        value_name='confirmed_cases'
    )
    df('date') = pd.to_datetime(df('date_str'), format='%m/%d/%y')
    
    df.to_parquet(
        's3://my-prod-bucket/uncooked/covid/',
        engine='pyarrow',
        partition_cols=('date')
    )

# 3. DAG DEFINITION
with DAG(
    'covid_etl',
    default_args=default_args,
    schedule_interval='@every day',
    catchup=False
) as dag:

    # Job 1: Ingest Information
    ingest = PythonOperator(
        task_id='ingest_data',
        python_callable=load_covid_data
    )

    # Job 2: Rework with Glue
    remodel = GlueJobOperator(
        task_id='transform_data',
        job_name='prod_covid_transformation',
        script_args={
            '--input_path': 's3://my-prod-bucket/uncooked/covid/',
            '--output_path': 's3://my-prod-bucket/processed/covid/'
        }
    )

    # Job 3: Load to Redshift
    load = RedshiftSQLOperator(
        task_id='load_data',
        sql="CALL prod.load_covid_data()"
    )

    # Job 4: Notifications
    notify = EmailOperator(
        task_id='send_email',
        to='you-email-address',
        topic='ETL Standing: {{ ds }}',
        html_content='ETL job accomplished: <a href="{{ ti.log_url }}">View Logs</a>'
    )

Meine letzten Gedanken

Obwohl einige Benutzer, insbesondere diejenigen, die neu in der Cloud sind und einfache Lösungen suchen, in der Regel durch AWS ‚hohe Eintrittsbarriere entmutigt werden und von den massiven Auswahlmöglichkeiten der Dienste überwältigt werden, ist es die Zeit und die Bemühungen wert und hier sind die Gründe:

• Der Konfigurationsvorgang und das Entwerfen, Erstellen und Testen der Datenpipelines erhalten Sie ein tiefes Verständnis für einen typischen Datenentwicklungs -Workflow. Die Fähigkeiten kommen Ihnen zugute, auch wenn Sie Ihre Projekte mit anderen Cloud -Diensten wie Azure, GCP und Alibaba Cloud produzieren.
• Das ausgereifte Ökosystem, das AWS hat, und eine Vielzahl von Diensten, die es Benutzern ermöglicht, ihre Datenarchitekturstrategien anzupassen und mehr Flexibilität und Skalierbarkeit in ihren Projekten zu genießen.

Danke fürs Lesen! Hoffe, dieser Artikel hilfreich, um Ihre Cloud-Base-Datenpipeline zu erstellen!

Verschwörungstheorien gibt es schon seit Jahrhunderten, aber mit dem Aufstieg des Internets und der sozialen Medien haben sie sich mit beispielloser Geschwindigkeit verbreitet und wirken sich auf Gesellschaften weltweit aus. Von der Fälschung der Mondlandung bis hin zu neueren Theorien über COVID-19 und Wahlen haben Fehlinformationen den öffentlichen Diskurs infiltriert. Mit diesem Anstieg an Falschinformationen steigt der Bedarf an Lösungen zur Bekämpfung dieser gefährlichen Narrative, und künstliche Intelligenz (KI), insbesondere Chatbots, hat sich als entscheidender Akteur in diesem Kampf herausgestellt.

In diesem Artikel untersuchen wir, wie KI-gesteuerte Chatbots werden entwickelt und eingesetzt, um Menschen von Verschwörungstheorien wegzubringen und sie zu faktenbasierten Informationen zu führen. Wir werden die aktuelle Landschaft der Fehlinformationen untersuchen, die psychologischen Faktoren, die Menschen für Verschwörungstheorien anfällig machen, und wie Chatbots diese Muster auf einzigartige Weise in Frage stellen können. Abschließend werden wir uns Fallstudien aus der Praxis und die ethischen Überlegungen zu diesem Ansatz ansehen.

Die Verbreitung von Verschwörungstheorien im digitalen Zeitalter

Das Web hat Informationen einer großen Zahl von Menschen zugänglich gemacht, aber es hat auch die Verbreitung falscher Narrative erleichtert. Social-Media-Plattformen, On-line-Foren und Web sites, die Verschwörungstheorien verbreiten, haben Echokammern geschaffen, in denen Falschinformationen florieren. Im Gegensatz zu den traditionellen Medien, die von Gatekeepern und Faktenprüfern reguliert wurden, fehlt in der digitalen Umgebung eine zentrale Kontrolle.

In diesen Bereichen können Verschwörungstheorien weit verbreitet sein, die Unsicherheit, Angst und Misstrauen gegenüber Autoritäten ausnutzen. Ob Pandemie, politisches Ereignis oder Naturkatastrophe: Verschwörungen entstehen, um Menschen zu helfen, komplexe, überwältigende Situationen zu verstehen. Sie nutzen oft psychologische Vorurteile wie kognitive Dissonanz aus, bei der Menschen nach Informationen suchen, die ihre bestehenden Überzeugungen bekräftigen, während sie gegenteilige Beweise ignorieren.

Warum Menschen an Verschwörungstheorien glauben

Um Verschwörungstheorien entgegentreten zu können, muss man verstehen, warum Menschen sich zu ihnen hingezogen fühlen. Mehrere psychologische und soziale Faktoren tragen zur Verbreitung und Beständigkeit von Verschwörungen bei:

1. Kognitive Verzerrungen: Menschen haben angeborene kognitive Verzerrungen, wie z. B. Bestätigungsfehler, bei denen sie Informationen den Vorzug geben, die mit ihren bestehenden Überzeugungen übereinstimmen. Verschwörungstheorien bieten oft eine vereinfachte Erklärung komplexer Phänomene und sind daher für Personen, die nach Gewissheit suchen, attraktiver.
2. Misstrauen gegenüber Autoritäten: Viele Verschwörungstheorien drehen sich um die Idee, dass mächtige Institutionen – Regierungen, Unternehmenoder wissenschaftliche Gremien – verbergen die Wahrheit vor der Öffentlichkeit. Diese Erzählung ist besonders überzeugend für Menschen, die Autoritätspersonen bereits misstrauen.
3. Soziale Identität: Verschwörungstheorien fördern oft das Gefühl, zu einer Gruppe zu gehören, die „Insiderwissen“ über eine verborgene Wahrheit hat. Dies stärkt die soziale Identität und macht es für den Einzelnen schwieriger, gegenteilige Informationen zu akzeptieren.
4. Emotionaler Appell: Verschwörungstheorien können starke emotionale Reaktionen wie Angst, Wut oder Besorgnis auslösen. Diese emotionalen Reaktionen können rationales Denken trüben und es den Menschen erschweren, die von ihnen aufgenommenen Informationen kritisch zu bewerten.

Angesichts dieser Faktoren sind traditionelle Methoden zur Bekämpfung von Falschinformationen – wie Faktenprüfung oder Sensibilisierungskampagnen – möglicherweise nicht immer wirksam. KI-gesteuerte Chatbots bieten hier einen neuartigen Ansatz.

Die Rolle von Chatbots im Kampf gegen Fehlinformationen

Chatbots sind automatisierte, KI-gesteuerte Systeme, die Benutzer in Gespräche verwickeln können. Sie erfreuen sich in allen Branchen großer Beliebtheit, vom Kundendienst bis zum Gesundheitswesen. Doch ihr Potenzial im Kampf gegen Falschinformationen, insbesondere Verschwörungstheorien, wird erst allmählich ausgeschöpft.

KI-Chatbots, die Verschwörungstheorien entlarven sollen, unterscheiden sich von denen, die für Kundenanfragen eingesetzt werden. Diese Chatbots können Personen in längere Gespräche verwickeln und sie sanft von falschen Erzählungen weg und hin zu glaubwürdigen Informationsquellen führen. So können Chatbots helfen, Verschwörungen zu entlarven:

1. Proaktives Engagement

KI-gesteuerte Chatbots können erkennen, wenn Benutzer mit Fehlinformationen in Kontakt treten, und proaktiv Gespräche beginnen. Wenn beispielsweise jemand in sozialen Medien nach Inhalten sucht, die mit einer Verschwörungstheorie in Zusammenhang stehen, kann der Chatbot so programmiert werden, dass er eingreift.

Durch die Bereitstellung faktenbasierter Informationen und die Logik in Frage stellen Hinter der Verschwörung kann der Chatbot den Echokammereffekt durchbrechen, der diese Überzeugungen oft verstärkt. Eine wichtige Stärke von Chatbots ist ihre Fähigkeit, Antworten zu personalisieren und ihren Ansatz auf das Maß des Engagements des Benutzers für die Verschwörung zuzuschneiden.

2. Administration kognitiver Dissonanz

Chatbots können kognitive Dissonanz bewältigen, indem sie nach und nach Informationen einführen, die die bestehenden Überzeugungen des Benutzers in Frage stellen. Anstatt die Individual mit widersprüchlichen Fakten zu überfordern – ein Ansatz, der oft nach hinten losgeht – können Chatbots behutsam Fragen einführen, die kritisches Denken fördern.

Ein Chatbot könnte einen Benutzer beispielsweise fragen: „Welche Beweise stützen Ihrer Meinung nach diese Theorie?“ oder „Haben Sie schon einmal darüber nachgedacht, andere Quellen zu prüfen, die eine andere Perspektive bieten?“ Diese sokratische Methode ermutigt die Benutzer, über ihre eigenen Überzeugungen nachzudenken, ohne sich direkt angegriffen zu fühlen. Dies ist entscheidend, um eine Änderung der Denkweise zu fördern.

3. Emotionale Unterstützung

Verschwörungstheorien spielen oft mit Emotionen wie Angst und Sorge. Chatbots können eine Type emotionaler Unterstützung bieten, indem sie ruhige, vernünftige Dialoge anbieten. Durch die Verarbeitung natürlicher Sprache können sie emotionale Hinweise in den Antworten des Benutzers erkennen und ihren Ton entsprechend anpassen und bei Bedarf Empathie zeigen.

Ein Chatbot könnte beispielsweise sagen: „Es ist verständlich, sich in diesen Zeiten unsicher zu fühlen. Viele Menschen suchen nach Antworten. Dabei sollten Sie jedoch Folgendes bedenken …“ Dieser empathische Ansatz kann dazu beitragen, Personen zu beruhigen, die sich in die Defensive gedrängt fühlen oder Angst haben, dass ihre Überzeugungen in Frage gestellt werden.

4. Maßgeschneiderte Informationsbereitstellung

KI-Chatbots können Informationen in mundgerechten, leicht verdaulichen Häppchen liefern und so Einzelpersonen dabei helfen, komplexe Daten leichter zu verarbeiten. Sie können auch Multimedia-Inhalte wie Movies oder Infografiken bereitstellen, die die Fakten noch weiter untermauern.

Ein Chatbot könnte Hyperlinks zu von Experten überprüften Studien, maßgeblichen Nachrichtenquellen oder Expertenmeinungen bereitstellen. Da Verschwörungstheorien oft auf falschen Behauptungen basieren, die als „Beweise“ präsentiert werden, kann die Präsentation nachprüfbarer Fakten auf klare und ansprechende Weise dazu beitragen, dass sich Falschinformationen nicht so leicht halten.

5. Das Vertrauen in die Institutionen wiederherstellen

Eine der größten Herausforderungen im Kampf gegen Verschwörungstheorien besteht darin, das Vertrauen in autoritative Quellen wie Regierungen, Wissenschaftler und Medienorganisationen wiederherzustellen. Chatbots können als neutrale Vermittler fungieren, die Benutzer zu glaubwürdigen Institutionen zurückführen, ohne übermäßig normativ zu sein.

Ein Chatbot könnte zum Beispiel vorschlagen: „Viele angesehene Wissenschaftler haben dieses Thema ausführlich untersucht. Hier sind einige vertrauenswürdige Quellen, aus denen Sie mehr erfahren können.“ Indem sie einen autoritären Ton vermeiden, können Chatbots dazu beitragen, das Vertrauen in Institutionen wiederherzustellen, denen Verschwörungstheoretiker oft mit Argwohn begegnen.

Anwendungen aus der Praxis: Fallstudien

1. Facebooks Desinformations-Chatbot

Fb arbeitet an KI-Instruments, darunter Chatbots, um Falschinformationen auf seiner Plattform zu identifizieren und zu bekämpfen. Ein Beispiel ist ein Chatbot, der Faktenprüfungsdienste für Benutzer anbietet, die mit als potenziell falsch gekennzeichneten Inhalten interagieren. Dieser Chatbot erklärt, warum der Inhalt gekennzeichnet wurde, und bietet verifizierte Informationen aus vertrauenswürdigen Quellen. Facebooks Ansatz zeigt, wie KI in Echtzeit eingreifen kann, um korrigierende Informationen bereitzustellen, bevor sich Falschinformationen verbreiten.

2. WhatsApps COVID-19-Desinformationsinitiative

Während der COVID-19-Pandemie führte WhatsApp einen von der Weltgesundheitsorganisation (WHO) entwickelten Chatbot ein, um die Verbreitung gesundheitsbezogener Verschwörungstheorien zu bekämpfen. Der Chatbot beantwortete die Fragen der Benutzer zum Virus, lieferte Updates zu den neuesten wissenschaftlichen Forschungsergebnissen und entlarvte gängige Mythen, die im Web kursierten. Diese Initiative zeigte, wie Chatbots schnell auf aufkommende Verschwörungen reagieren und Millionen von Benutzern weltweit zuverlässige Informationen liefern konnten.

3. Googles KI zum Faktencheck

Google hat auch den Einsatz von KI zur Bekämpfung von Verschwörungstheorien untersucht, insbesondere im Zusammenhang mit Wahlen. Während der US-Wahlen 2020 versorgte Googles KI-gesteuerter Chatbot die Nutzer mit verifizierten Informationen über Wahlverfahren, entlarvte falsche Behauptungen und verwies die Nutzer auf offizielle Wahlressourcen. Die Fähigkeit des Chatbots, schnell auf aufkommende Fehlinformationen zu reagieren, half dabei, einige der Verschwörungstheorien zu bekämpfen, die während des Wahlzeitraums an Bedeutung gewonnen hatten.

Ethische Überlegungen: Die Herausforderungen beim Einsatz von KI zur Bekämpfung von Fehlinformationen

Chatbots sind zwar vielversprechende Instrumente im Kampf gegen Verschwörungstheorien, es gibt jedoch mehrere ethische Bedenken, die berücksichtigt werden müssen:

1. Privatsphäre

Chatbots, die gegen Verschwörungstheorien vorgehen, stützen sich häufig auf Algorithmen, die die On-line-Aktivitäten der Benutzer überwachen. Dies wirft Bedenken hinsichtlich der Privatsphäre und des Missbrauchspotenzials auf. Wie viele Informationen dürfen KI-Systeme sammeln? Es ist entscheidend, ein Gleichgewicht zwischen Privatsphäre und effektiver Intervention zu finden.

2. Voreingenommenheit

KI-Systeme sind nur so unvoreingenommen wie die Daten, mit denen sie trainiert werden. Wenn die Algorithmen hinter Chatbots mit voreingenommenen oder unvollständigen Informationen gefüttert werden, können sie unbeabsichtigt schädliche Stereotypen verstärken oder unvollständige Lösungen für komplexe Probleme liefern. Es ist wichtig sicherzustellen, dass KI-Systeme mit vielfältigen und genauen Datensätzen trainiert werden, um eine Aufrechterhaltung der Voreingenommenheit zu vermeiden.

3. Autonomie

Einige Kritiker argumentieren, dass KI-gesteuerte Chatbots die individuelle Autonomie verletzen, indem sie versuchen, die Ansichten der Menschen zu beeinflussen. Dieser Ansatz ist zwar intestine gemeint, kann aber als paternalistisch angesehen werden. Es ist wichtig, Transparenz über die Funktionsweise dieser Systeme zu wahren und sicherzustellen, dass Einzelpersonen weiterhin die Möglichkeit haben, fundierte Entscheidungen darüber zu treffen, mit welchen Informationen sie interagieren.

Die Zukunft der KI im Kampf gegen Verschwörungstheorien

KI-gesteuerte Chatbots stecken im Kampf gegen Verschwörungstheorien noch in den Kinderschuhen, doch ihr Potenzial ist enorm. Mit der Verbesserung der natürlichen Sprachverarbeitung werden diese Systeme immer besser darin, nuancierte Gespräche zu verstehen, emotionale Signale zu erkennen und faktenbasierte Informationen auf eine Weise bereitzustellen, die bei den Nutzern Anklang findet.

In Zukunft könnten Chatbots in eine größere Bandbreite digitaler Plattformen integriert werden, von Nachrichten-Web sites bis hin zu Bildungstools, und proaktive Unterstützung für Benutzer bieten, die auf Fehlinformationen stoßen. Sie könnten auch in Group-Foren eingesetzt werden, wo Verschwörungstheorien häufig florieren, indem sie Echtzeitkorrekturen liefern und gesunde Diskussionen fördern.

Abschluss

Der Aufstieg von Verschwörungstheorien stellt eine große Herausforderung für die moderne Gesellschaft dar, insbesondere im digitalen Zeitalter. Während traditionelle Methoden zur Bekämpfung von Fehlinformationen ihre Berechtigung haben, bieten KI-gesteuerte Chatbots einen neuartigen und möglicherweise effektiveren Ansatz. Indem sie Benutzer in Gespräche verwickeln, kognitive Dissonanzen bewältigen, emotionale Unterstützung bieten und

In drei englischen Krankenhaussystemen wurde eine dringend benötigte klinische Studie begonnen, bei der künstliche Intelligenz (KI) getestet wird, die zur Erkennung und Einstufung von Prostatakrebs entwickelt wurde.

Die Initiative, bekannt als ARTICULATE PROwird von der Universität Oxford in Partnerschaft mit Paige geleitet, einem führenden Unternehmen im Bereich klinischer KI-Anwendungen zur Krebsdiagnose.

An der Studie sind das North Bristol Belief Southmead Hospital, die College Hospitals Coventry and Warwickshire sowie der Oxford College NHS Basis Belief beteiligt. Diese Einrichtungen integrieren Paiges KI-Technologie nun in ihre Standardbehandlungsverfahren.

Warum brauchen wir KI in einem solchen Bereich? Nun, das Hauptziel dieser Multisite-Studie besteht darin, zu untersuchen, wie KI die Behandlungsergebnisse der Patienten verbessern kann, insbesondere im Hinblick auf die steigende Zahl der Prostatakrebsfälle.

Der digitale Pathologe im Einsatz

Der Versuch nutzt die Paige Prostata-Suiteein KI-System, das Pathologen bei der Erkennung, Einstufung und Messung von Tumoren in Prostatabiopsien und Gewebeproben unterstützen soll. Pathologen in den teilnehmenden Krankenhäusern bewerten die Auswirkungen dieser KI-Technologie auf ihre klinische Entscheidungsfindung, die Bereitstellung pathologischer Dienstleistungen und die Ressourcennutzung in realen Umgebungen.

Professor Clare Verrill, die leitende Forscherin von ARTICULATE PRO, betont, dass die Patienten im Mittelpunkt dieser Studie stehen. Ziel ist es, sicherzustellen, dass Patienten sicher und effektiv von dieser leistungsstarken KI-Technologie profitieren.

Dr. Jon Oxley, ein Uropathologe mit über 25 Jahren Erfahrung in der Prostatakrebsforschung, weist darauf hin, dass die KI-Anwendungen von Paige ein Validierungs- und Leistungsniveau erreicht haben, das einen sicheren und effektiven klinischen Einsatz in der Praxis ermöglicht.

Einzigartige Aspekte der Studie

Eines der besonderen Merkmale dieser Studie ist ihre Implementierung in Krankenhäusern Verwendung verschiedener digitaler Pathologiescanner und Informationssysteme zur Versorgung unterschiedlicher Patientengruppen. Diese Vielfalt ermöglicht eine umfassende Bewertung, wie Paiges KI-Technologie Patienten, Histopathologen und Krankenhaussystemen bei der Diagnose von Prostatakrebs am besten helfen kann.

Dr. Bidisa Sinha von den College Hospitals Coventry und Warwickshire ist davon überzeugt, dass KI die Genauigkeit und Konsistenz der Krebsklassifizierung verbessern und dabei helfen kann, kleine Krebsbereiche zu erkennen, die leicht übersehen werden können. Sie stellt stolz fest, dass diese weltweit führende Forschung UHCW zu einem globalen Marktführer in der digitalen und computergestützten Pathologie macht.

Investition in die Zukunft

Die ARTICULATE PRO-Studie wird durch den Accelerated Entry Collaborative (AAC) Synthetic Intelligence in Well being and Care Award finanziert, der vom Gesundheits- und Sozialministerium betreut wird. Da die Prostatakrebsraten weiter steigen, könnte die Integration von KI in die Diagnose möglicherweise zu einer früheren Erkennung, einer genaueren Einstufung und letztlich zu besseren Patientenergebnissen führen.

Wenn der Versuch erfolgreich ist, könnte er den Weg für eine breitere Einführung von KI in der Krebsdiagnose im gesamten Vereinigten Königreich und darüber hinaus und könnte unsere Herangehensweise an die Erkennung und Behandlung von Prostatakrebs revolutionieren.

Die Ergebnisse dieser Studie werden von der medizinischen Fachwelt mit Spannung erwartet und könnten uns in eine neue Ära im Kampf gegen Prostatakrebs führen.

Bildnachweis für vorgestelltes Bild: Paige KI