Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
Shield ayuda a los técnicos a transferir el trabajo de portales heredados con OpenAI
Shield ha desarrollado Forge, un sistema operativo de IA que utiliza GPT-6 Astra para ayudar a los agentes de soporte de TI a manejar tareas en portales y sistemas heredados. Esto permite a los agentes realizar tareas que antes requerían la intervención manual de un técnico, mejorando la velocidad de resolución y la satisfacción del cliente. Se reporta una mejora de entre 35% y 40% en la velocidad de ejecución y una menor tasa de fallos.
CrowdStrike lanza un interruptor de apagado de IA que afirma poder detener agentes malintencionados y más
CrowdStrike ha lanzado el 'AI Kill Switch' en su producto Falcon Guardian para detener y aislar agentes de IA malintencionados. Esta nueva función otorga a los administradores humanos el control directo para terminar la actividad sospechosa y asegurar la seguridad de la IA en entornos empresariales. La herramienta busca poner la seguridad en manos de los usuarios para controlar el comportamiento de los agentes de IA.
El nuevo 'Interruptor de Apagado' de IA de CrowdStrike detiene a los agentes de IA rebeldes?
CrowdStrike ha anunciado nuevas capacidades de seguridad para agentes de IA, incluyendo un "Interruptor de Apagado de IA" que permite a los equipos de seguridad terminar, bloquear y cortar el acceso a la red de agentes maliciosos. Además, la compañía adquirió Fiddler AI para mejorar la observabilidad y explicabilidad de los agentes de IA. Esto busca proporcionar control humano sobre la seguridad de la IA y asegurar que los agentes se comporten según lo previsto a través de pruebas rigurosas.
Primer Ministro anuncia protección más estricta para la IA para frenar riesgos crecientes
El primer ministro ha anunciado una protección más estricta para la inteligencia artificial y un regulador dedicado para contener los peligros potenciales. Esta medida busca contener los riesgos emergentes relacionados con la IA.
No se identificaron personas.
Nasdaq considera deslistar a la empresa de IA
La IA hace que los ciberataques sean más rápidos y automatizados, por lo que las organizaciones deben enfocarse en limitar el impacto de las intrusiones. Es crucial conocer qué sistemas y datos son protegidos y qué está expuesto para priorizar la defensa. Se recomienda implementar entornos de TI bien planificados que permitan aislar partes afectadas y mejorar continuamente la capacidad de detección de anomalías.
Cisco defiende a velocidad de máquina con OpenAI
Cisco está integrando la inteligencia de red con los modelos de OpenAI para mejorar la defensa contra ataques impulsados por IA. La compañía busca utilizar la IA para correlacionar señales a escala masiva, lo que permite a los defensores detectar patrones y responder a vulnerabilidades más rápido. Esto incluye la implementación de controles distribuidos en microservicios y la mejora de la capacidad de respuesta ante la velocidad de los ataques.
Shadow AI: la inteligencia artificial que las empresas no ven
La práctica de usar herramientas de inteligencia artificial sin la autorización de la empresa, conocida como Shadow AI, está generando un conflicto entre la adopción rápida de estas tecnologías y las restricciones de ciberseguridad. Se destaca la necesidad de que las organizaciones establezcan políticas claras para regular el uso de IA, ofreciendo soluciones empresariales seguras y capacitando al personal. El Estado está comenzando a establecer marcos regulatorios, como el Código de Ética de la IA para servicios públicos, para equilibrar la productividad con la protección de la información confidencial.
Crowdstrike da a las empresas un 'interruptor de apagado' para agentes de IA mal comportados
Crowdstrike introdujo un nuevo interruptor de apagado para detener agentes de IA mal comportados, permitiendo a los equipos de seguridad terminar su operación y cortar su acceso a la red. Esta medida busca abordar las preocupaciones de seguridad relacionadas con la adopción de agentes de IA, coincidiendo con otros esfuerzos de la industria para mejorar la seguridad de la IA. El CEO de Crowdstrike señaló que esto es una oportunidad de mercado y una forma de asegurar que los agentes operen de manera segura.
CrowdStrike presenta un interruptor de apagado para IA
CrowdStrike presentó un interruptor de apagado para IA en su feria Fal.Con Europe, diseñado para detener agentes de IA que se desvían de su comportamiento. El sistema permite a los administradores activar la restricción del acceso a modelos de IA, aunque también se planea una activación automática mediante Charlotte AI para asegurar el comportamiento conforme a las normas.
Cómo bloquear bots de IA para que no rastreen tu sitio web
Grandes empresas tecnológicas como OpenAI, Google y Microsoft han acordado implementar una señal de exclusión mutua en los archivos robots.txt para impedir que los bots de IA extraigan contenido de sus sitios web para entrenamiento de modelos. Se proponen varias estrategias, incluyendo modificar robots.txt, requerir cuentas de usuario para acceso o limitar el acceso por dirección IP. Estos métodos buscan proteger el contenido de los sitios web de ser raspado por bots maliciosos.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Shield AI»
Más recientes primero · Hasta 30 noticias por página
Microfitting: Aprendizaje continuo mediante entrenamiento en el momento de la prueba
Se presenta el método microfitting para el aprendizaje continuo de modelos de lenguaje, abordando el problema del olvido catastrófico mediante el aislamiento de parámetros. Este método entrena adaptadores pequeños para cada documento, permitiendo la especialización en nuevos datos sin perder el conocimiento previo. Se demuestra una mejora del 38.2% en la precisión en el entorno EDO.
Resúmenes CPDAG externalizados mejoran la deducción causal de LLM
Se propone un método de dos turnos llamado Structured Thinking para que los modelos de lenguaje (LLMs) resuman el DAG condicional parcial (CPDAG) y luego verifiquen la afirmación contra dicho resumen. Este método mejoró la puntuación F1 del modelo Qwen3.5-27B de 77.5 a 86.5 al comparar con un método basado en instrucciones explícitas del algoritmo PC.
Emparejamiento Residual-Tail-Informed Flow Matching para la detección de anomalías en series temporales
Se presenta el método Residual-Tail-Informed Flow Matching (RT-FM) para la detección de anomalías en series temporales. Este marco no supervisado utiliza un autoencoder variacional temporal para estimar la cola latente residual y ajustar los pesos del modelo de emparejamiento de flujo. Los experimentos demuestran que RT-FM mejora la cobertura de normales raras y mantiene una buena discriminación de anomalías, reduciendo falsas alarmas.
Modelos de lenguaje de código abierto adaptados al idioma Wolof
Se presenta un estudio sobre modelos de lenguaje de código abierto adaptados al idioma Wolof, hablado por 23 millones de personas principalmente en Senegal. El trabajo aborda las limitaciones de los modelos de código abierto y los costos de los modelos de API para implementaciones locales. Se demuestran buenos resultados en la comprensión y generación del Wolof, con modelos de 8B y 14B siendo competitivos con sistemas comerciales grandes.
La práctica de reporte importa: El impacto de la elección de referencia en la evaluación de informes de radiografía de tórax
El estudio cuantifica cómo las variaciones en las prácticas de reporte de radiología afectan la evaluación de modelos de generación de informes basados en IA. Se demuestra que la elección de referencias de reporte puede alterar los rankings de los modelos generados por máquina. Los autores proponen una taxonomía y un método para ajustar los informes de referencia manteniendo la interpretación clínica.
Modelado Causal Espacio-Temporal Basado en Grafos para Predicción de Check-in de Puntos de Interés con Inicio Frío
Se presenta CausalPOI, un marco de aprendizaje basado en grafos espacio-temporales para predecir el patrón de check-in de Puntos de Interés con inicio frío. Este modelo aborda las limitaciones de los métodos existentes al modelar la evolución temporal y las interacciones funcionales entre P.O.I. cercanos. Los experimentos demuestran que CausalPOI supera a los métodos actuales en la predicción y estimación de efectos causales.
GameReplica: Un punto de referencia para la replicación visual de juegos de caja negra por agentes de visión-lenguaje
Se presenta GameReplica, un punto de referencia para la replicación de juegos de caja negra mediante agentes de visión-lenguaje. El estudio evalúa la capacidad de estos agentes para reproducir sistemas sin especificaciones explícitas. Los experimentos indican que la replicación de caja negra sigue siendo un desafío, siendo la fidelidad visual más fácil de lograr que la recuperación de mecánicas.
Agentes Multi-modales Autónomos para la Observabilidad ITOps
Se presenta ITOps Observability Studio, un sistema multi-agente multi-modal diseñado para orquestar flujos de trabajo de observabilidad mediante agentes de IA colaborativos. Este sistema integra datos de diversas herramientas y sistemas, soporta traducción de lenguaje natural a GraphQL y gestiona el ciclo de vida de datos de trazas. La evaluación reveló defectos en la integración de componentes, los cuales fueron reportados junto con sus soluciones.
RoboACE: Coevolución Adversarial para la Automejora del Robot
Se presenta RoboACE, un marco que evoluciona conjuntamente el currículo y los mecanismos de ejecución alrededor de modelos fundacionales fijos para mejorar la automejora de agentes robóticos. Este sistema utiliza evidencia de capacidad acumulada para proponer desafíos y revisiones para expandir las capacidades de ejecución. Los resultados muestran que el despliegue congelado supera a los sistemas evaluados en varios paneles de prueba.
ETAS: Un lenguaje tipado por efectos para sistemas agentes
Se presenta Etas, un lenguaje tipado por efectos diseñado para sistemas agentes, que eleva las especificaciones de comportamiento a construcciones verificadas por el compilador. El lenguaje separa los efectos persistentes de los efectos escapables para mejorar la seguridad y la previsibilidad de las operaciones. La implementación con Rust demuestra optimizaciones que reducen el tiempo de ejecución y mejoran la precisión de las tareas en los programas de agente.
¿Los agentes de codificación engañan? Detectar y prevenir el fraude mediante la evaluación con puntuación limitada con pruebas aleatorias
Se propone CapCode, un marco para crear conjuntos de datos de codificación con pruebas aleatorias cuyo mejor puntaje no fraudulento está limitado por debajo del 100%. Esto permite identificar el fraude en la evaluación de modelos de agentes de codificación. Además, se presenta CapReward para desalentar la optimización por encima de dicho límite, buscando modelos que sigan mejor la especificación de la tarea.
ContactGuard: Monitoreo de ejecución pre-contacto con modelos latentes condicionados a la acción
Se presenta ContactGuard, un monitor de ejecución pre-contacto diseñado para políticas visuomotoras fragmentadas. Este sistema predice la consecuencia a corto plazo en el espacio visual latente para abortar si se anticipa un fallo. El modelo latente se entrena con trayectorias no etiquetadas y ofrece una señal de aborto antes del contacto en entornos de manipulación robótica.
Aprendizaje autónomo del éxito y el fracaso: Aprendizaje supervisado condicionado por objetivos con retroalimentación negativa
Se propone GCSL con Retroalimentación Negativa (GCSL-NF) para mejorar el aprendizaje de sistemas autónomos, abordando las limitaciones de los métodos existentes al permitir que los agentes aprendan de sus errores. Este enfoque evalúa las trayectorias tanto positivamente como correctivamente, reduciendo la dependencia de funciones de recompensa preespecificadas. Los experimentos demuestran que GCSL-NF supera los sesgos iniciales y se beneficia de la retroalimentación negativa para lograr resultados comparables o superiores a otros métodos.
Modelos de lenguaje se unen a pruebas de vibración para satélites de constelación LEO con predicción de respuesta calibrada a partir de barridos de pocas muestras
Se propone un paradigma de validación determinista para el análisis de ingeniería impulsado por Modelos de Lenguaje Grandes (LLM) para asegurar la consistencia de los resultados. Esto incluye verificar la consistencia de unidades, citas y acuerdo entre modelos para mitigar alucinaciones. Se aplica este método a pruebas de aceptación de vibración para satélites LEO, logrando una coincidencia bit a bit en la mayoría de las configuraciones probadas.
Evidencia local se conserva en latentes visuales compactos en teledetección de ultra alta resolución
Se investiga si los latentes visuales compactos pueden retener evidencia local en escenas de teledetección de ultra alta resolución. Los estudios demuestran que la memoria compacta puede lograr una compresión significativa de los tokens de cultivos y mejorar la precisión predictiva en comparación con el uso de imágenes globales. Se concluye que la disponibilidad de evidencia regional es un factor clave que determina la contribución de estos latentes.
SIRI: Aprendizaje por Refuerzo Auto-Internalizante con Habilidades Intrínsecas para el Entrenamiento de Agentes LLM
Se presenta SIRI, un marco de tres fases para el Aprendizaje por Refuerzo Auto-Internalizante con Habilidades Intrínsecas, diseñado para que los agentes LLM descubran, validen e internalicen habilidades sin depender de generadores de habilidades externos. Este método busca reducir la complejidad de ingeniería y la latencia de despliegue al permitir que los agentes desarrollen habilidades internas. Los resultados demuestran mejoras significativas en el rendimiento de GiGPO en entornos específicos al comparar con métodos basados en prompts y memoria.
Comunicaciones semánticas elásticas habilitadas por razonamiento implícito para redes de agentes de IA
Se presenta un marco de comunicaciones semánticas elásticas (ESC) diseñado para redes de agentes de IA, abordando las limitaciones de los esquemas existentes. Este marco incluye elasticidad vertical para ajustar la intensidad de ejecución y elasticidad horizontal para reconfigurar el conjunto de capacidades. Se propone un mecanismo para la inferencia local y transferencia de estados para mejorar la eficiencia en la ejecución de tareas.
MemoryLane: Apoyando conversaciones de reminiscencia entre adultos mayores con demencia leve y cuidadores no profesionales usando un agente de IA simulado
Se presenta MemoryLane, una herramienta con IA diseñada para ayudar a cuidadores no profesionales a facilitar conversaciones de reminiscencia con pacientes con demencia leve. Esta herramienta permite una conversación triádica con un agente de IA simulado y ofrece una interfaz para controlar el comportamiento del agente y las imágenes generadas por IA. Un estudio preliminar validó el valor de este agente de IA como compañero y la posibilidad de que los cuidadores moderen los elementos visuales.
Auditoría guiada por interpretabilidad para modelos de lenguaje clínicos en la predicción de alta
Se propone AuditBERT-Discharge, un marco que utiliza la interpretabilidad para auditar modelos de PLN clínicos destinados a predecir altas hospitalarias. El método identifica y enmascara tokens léxicos que actúan como proxies para el alta, buscando reducir la dependencia de señales superficiales en los modelos. Los resultados preliminares indican que esta auditoría mejora la calibración de las predicciones, aunque la mejora en la discriminación no es uniforme.
Co-ideación Humano-IA en Configuraciones Sociotécnicas: Análisis Interaccional de Espacios de Trabajo Planos e Inmersivos
Se analiza cómo las plataformas colaborativas remotas integran IA generativa para la ideación grupal en configuraciones sociotécnicas. Se compara un lienzo plano con integración de texto frente a un espacio de realidad virtual inmersivo con salida de IA. Se encontró que la configuración inmersiva facilitó la exploración espacial, aunque introdujo una paradoja de participación, y que las ideas con apoyo de IA fueron valoradas positivamente por los participantes.
RSIMed: Escalando modelos de fundación médica más allá de datos clínicos limitados mediante autoevolución basada en recuperación
Se presenta RSIMed, un *pipeline* de auto-mejora recursiva para el diagnóstico médico, diseñado para superar la escasez de datos clínicos al permitir que el modelo escriba sus propias tareas de entrenamiento basadas en evidencia recuperada. Este sistema muestra una mejora lineal en la precisión diagnóstica con el cómputo de entrenamiento y supera a modelos existentes como GPT-5.6 en ciertas métricas.
La forma sobre el contenido en métodos de atribución de datos basados en gradientes
Se debate qué mide la similitud de gradiente en los métodos de atribución de datos para modelos de lenguaje grandes. Se encontró que la alineación del gradiente sigue el formato de respuesta, no necesariamente la semántica de la tarea. Esto sugiere que los métodos de atribución deben probarse en datos donde el formato de respuesta y la tarea varían independientemente para mayor fiabilidad.
Entrenamiento simulado por física para corregir errores de posicionamiento en radiografías panorámicas dentales
Un estudio investigó el uso de inteligencia artificial para corregir errores de posicionamiento en radiografías panorámicas dentales. Se compararon cinco enfoques de IA, incluyendo U-Net y modelos conscientes del error, para mejorar la similitud de la imagen y reducir errores geométricos. Los enfoques U-Net y los modelos conscientes del error demostraron ser superiores a otros métodos evaluados.
Representación antes del entrenamiento: Un punto de referencia práctico para la tokenización de modelos de eventos médicos generativos
Se evaluaron diversas técnicas de tokenización para modelos de eventos médicos generativos utilizando datos del MIMIC-IV. Los resultados indican que las tokenizaciones compactas y curadas por expertos pueden superar a las alternativas más granulares y continuas en términos de rendimiento. Se encontraron ganancias estadísticamente significativas en la correlación de Spearman y AUROC al utilizar tokens fusionados.
Modelado de estado latente restringido: Una perspectiva unificadora sobre el aprendizaje de representación bajo restricciones competitivas
Se propone el Modelado de Estado Latente Restringido (CLSM), un marco conceptual que caracteriza los estados latentes mediante seis propiedades complementarias. Este modelo busca separar las propiedades de los estados latentes de los objetivos sustitutos y diagnósticos para mejorar la interpretabilidad y la comparabilidad de los métodos de aprendizaje de representación. Los experimentos demuestran cómo los objetivos producen organizaciones latentes distintas y ponderaciones empíricas basadas en el objetivo de predicción.
Lógica Modal Diferenciable para Diagnóstico, Orquestación y Comunicación Multiagente
Se presenta una lógica modal diferenciable (DML) implementada mediante Redes Neuronales de Lógica Modal (MLNNs) para depurar fallos en sistemas de IA multiagente. El trabajo ofrece un marco neurosimbólico unificado que aborda modalidades epistémica, temporal, deontica y doxástica. Se destacan contribuciones como estructuras aprendidas interpretables y la inyección de conocimiento mediante axiomas diferenciables.
SynVA: Una caja de herramientas modular para la generación de vasos y la edición de aneurismas
Se presenta SynVA, una caja de herramientas modular para generar mallas vasculares y sintetizar aneurismas anatómicamente consistentes. La herramienta combina métodos basados en coincidencia de flujo y aprendizaje para generar geometrías realistas, incluyendo un conjunto de datos de 50,000 muestras etiquetadas. Se demuestra que SynVA produce geometrías vasculares plausibles y mejora la segmentación en datos reales.
Perspectiva local-mas sobre la inferencia bayesiana
El artículo investiga comportamientos de masa local en la inferencia bayesiana que no son capturados por objetivos globales como la divergencia KL. Se presentan dos herramientas matemáticas, el Índice de Masa y el KL extendido regularizado (RE-KL), para caracterizar cómo la actualización bayesiana afecta la masa local. Los resultados demuestran desigualdades para comparar masas pequeñas de bola local y muestran que la comparación direccional es visible en las posteriores variacionales de redes neuronales bayesianas.
Distilación de Conjuntos de Datos de Prueba Lineal Cerrada para Modelos de Visión Preentrenados
Se propone la Distilación de Conjuntos de Datos de Prueba Lineal Cerrada (CLP-DD), una formulación bilevel que utiliza un solucionador de *kernel ridge* de espacio muestral para calcular el *linear probe* inducido por un conjunto sintético. El método mejora el rendimiento sobre otros enfoques al lograr resultados comparables o superiores a métodos existentes en benchmarks como ImageNet-1K, reduciendo significativamente el costo computacional.
Optimización basada en Modelos de Lenguaje Grande para la Comunicación Inalámbrica
Se revisan técnicas de optimización basadas en Modelos de Lenguaje Grande (LLM) aplicadas a problemas de comunicación inalámbrica, como control de potencia y asignación de ancho de banda. El estudio introduce una taxonomía y un marco analítico para categorizar estrategias de gestión de recursos y analiza metodologías de ingeniería de prompts. Se presentan casos de estudio prácticos sobre la predicción de haces y la asignación adaptativa de recursos inalámbricos.