Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
Substrate AI integrará todas sus actividades de IA en el grupo con una operación de 40,5 millones
Substrate AI y su matriz Subgen AI han acordado una reorganización estructural para concentrar todas sus actividades de inteligencia artificial bajo Substrate AI mediante una operación de 40,5 millones de euros. Esta medida busca mejorar la eficiencia operativa y simplificar la estructura societaria del grupo. La operación incluye la adquisición de participaciones de filiales de Subgen AI y la emisión de un bono convertible.
No se identificaron personas.
Substrate AI reunirá todas sus operaciones de IA dentro del grupo en una operación de 40,5 millones
Substrate AI y su matriz Subgen AI han acordado una reestructuración global para consolidar todas las operaciones de inteligencia artificial bajo la estructura de Substrate AI por 40,5 millones de euros. Este movimiento busca potenciar la eficiencia operativa y reforzar a Substrate AI como el vehículo central para el desarrollo y comercialización de soluciones de IA a nivel mundial. Se unifican las operaciones internacionales en Europa y Latinoamérica para responder al crecimiento del mercado de IA corporativa.
No se identificaron personas.
La compañía valenciana Substrate AI es admitida a cotización en el Cboe Europe
La compañía española de inteligencia artificial Substrate AI ha sido admitida a cotización en el Cboe Europa. La empresa tiene como objetivo superar los 100 millones de euros de facturación para 2030, enfocándose en el desarrollo de tecnología propia y la comercialización de tokens. La noticia también detalla la evolución reciente de su capitalización y resultados financieros.
La justicia condena a Substrate AI a pagar a Summon Press los 500.000 euros pendientes por la venta de su negocio digital
La Sección Civil del Tribunal de Instancia de Valencia condenó a Substrate AI a pagar 500.000 euros más intereses a Summon Press por un pago pendiente de una compraventa de negocio digital. La jueza desestimó la reclamación de Substrate, mientras que la demanda de Summon Press fue parcialmente estimada.
La valenciana Substrate AI compra un solar en Talavera de la Reina (Toledo) para un centro de datos
Substrate AI adquirió un solar en Talavera de la Reina, Toledo, por 1,61 millones de euros para desarrollar un centro de datos. Esta compra forma parte de la estrategia de la empresa para desplegar infraestructura tecnológica propia en España y potenciar la IA europea. La puesta en marcha del proyecto depende de obtener permisos y cumplir con hitos técnicos administrativos.
Substrate AI adquiere un solar en Talavera de la Reina por 1,61 millones para un futuro centro de datos
Substrate AI adquirió un solar en Talavera de la Reina por 1,61 millones de euros para desarrollar un futuro centro de datos como parte de su estrategia de infraestructura de IA en España. La compra, formalizada el 13 de noviembre, incluye varias parcelas y el proyecto depende de la obtención de licencias y autorizaciones pendientes. Este paso refuerza la estrategia de la compañía para desplegar infraestructura tecnológica propia y soberana en el país.
Destilación de algoritmos para aprendizaje por refuerzo seguro en contexto
Se presenta el Aprendizaje por Refuerzo Seguro en Contexto (Safe ICRL) y el Algoritmo de Distilación de Algoritmos Seguros (Safe AD). Se revisan dos partes de Safe AD, incluyendo la introducción de presupuestos dinámicos y el ajuste A-Lag para mejorar el rendimiento en entornos de locomoción y navegación. Los experimentos demuestran que A-Lag supera a Safe AD en términos de costo y retorno final en varios entornos.
DeepSeek presenta 'super agente' de IA en la carrera de codificación con OpenAI, Anthropic
DeepSeek ha presentado un 'super agente' de IA diseñado para manejar múltiples tareas con mínima intervención humana, buscando reducir la necesidad de coordinación y supervisión humana en flujos de trabajo complejos. Este desarrollo se posiciona como una respuesta a la creciente automatización de tareas por parte de los modelos de IA, buscando optimizar la gestión de flujos de trabajo mediante la autonomía de los agentes.
Avatares holográficos con IA en el subte porteño: qué son y para qué se utilizarán
La compañía Subterráneos de Buenos Aires (SBASE) lanzó una licitación para implementar avatares holográficos con inteligencia artificial conversacional en el subte porteño. El proyecto busca permitir a los usuarios interactuar con figuras virtuales para realizar consultas y obtener respuestas en tiempo real. Se planea instalar seis dispositivos interactivos en dos estaciones de la línea B.
No se identificaron personas.
Radiografía al ciberdelito: Una de cada cuatro brechas maliciosas utiliza inteligencia artificial en el ataque
El ciberdelito está utilizando la inteligencia artificial, como los deepfakes, para suplantar identidades de ejecutivos y abogados, logrando fraudes multimillonarios. Un informe de IBM indica que una de cada cuatro brechas maliciosas involucra IA, y el fraude por voz es el vector más costoso. Se advierte sobre el riesgo creciente de ataques a fin de año y la necesidad de implementar controles internos estrictos para mitigar riesgos.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Substrate AI»
Más recientes primero · Hasta 30 noticias por página
ReST-RL: Fortaleciendo el Razonamiento de LLM mediante Entrenamiento Auto-Guiado Unificado y Búsqueda Guiada por Valor
Se presenta ReST-RL, un marco unificado de entrenamiento de política-valor para mejorar la capacidad de razonamiento de los Modelos de Lenguaje Grande (LLM). El método combina la optimización de política y la búsqueda guiada por valor para refinar la precisión del razonamiento. El framework fue validado en varios benchmarks de codificación y mostró un rendimiento superior a otras metodologías de entrenamiento de refuerzo.
Evaluación global de la IA para la predicción de rendimiento de cultivos a través de paradigmas de modelado
Se realiza un benchmarking global de cinco paradigmas de modelado para la predicción del rendimiento de cultivos, evaluando su rendimiento en datos de 63 países y cultivos. Los modelos basados en datos y los modelos fundacionales tabulares mostraron el mejor rendimiento predictivo general. Se concluye que el progreso futuro depende de mejorar la caracterización de los factores ambientales y de gestión que causan la variabilidad interanual del rendimiento.
Um umbral de teoría de compromiso de plan determina cuándo los agentes de IA deben reparar, replanificar o abandonar
Este artículo aborda una teoría de umbral para la toma de decisiones de agentes de IA cuando sus planes se rompen durante la ejecución. Propone que la política óptima depende de la profundidad del daño, sugiriendo reparar daños superficiales, replanificar después de daños profundos y abandonar el objetivo si el costo de replanificación es demasiado alto. El estudio analiza cómo las fricciones de revisión afectan el compromiso del plan y determina cuándo es óptimo mantener un plan anterior frente a uno nuevo.
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.