Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
[기고] 인공지능이 바꾸는 신입의 일…기업은 숙련자를 어떻게 키울 것인가
La inteligencia artificial está transformando el rol de los nuevos empleados, planteando el desafío a las empresas sobre cómo formar expertos. Investigaciones sugieren que la exposición a la IA afecta la contratación de jóvenes en ciertas profesiones, indicando que la dependencia de la IA puede limitar la práctica de juicio y toma de decisiones. Para mitigar esto, se recomienda diseñar la formación de nuevos empleados integrando la verificación de resultados y la validación de fuentes, asegurando que el aprendizaje se centre en la comprensión profunda y la responsabilidad, no solo en la ejecución de tareas por IA.
IA se encuentra con APEC: Inyectando nuevo impulso al desarrollo regional
La inteligencia artificial se encuentra con APEC, inyectando un nuevo impulso al desarrollo regional. Este evento parece estar relacionado con la colaboración entre la IA y el Foro de Cooperación Económica Asia-Pacífico.
No se identificaron personas.
Boletín de noticias de Seguridad, IA y Ciberseguridad Ronda 8
El boletín de noticias de Security Affairs cubre los últimos desarrollos en la intersección de la inteligencia artificial y la ciberseguridad. Se discuten cómo la IA está transformando tanto las técnicas de ataque como las herramientas de defensa, incluyendo la automatización de tareas y la detección de amenazas. Se presentan casos específicos de vulnerabilidades, exploits y el estado actual de las amenazas en el ámbito cibernético.
Elon Musk quiere una OpenAI con fines de lucro
OpenAI necesita aumentar drásticamente su capacidad de cómputo, buscando pasar de 600 a 5000 GPUs, y aumentar su plantilla de investigadores. También es crucial asegurar una ventaja de hardware, como el diseño Cerebras, para lograr avances significativos en la construcción de la Inteligencia Artificial General (AGI).
Startup de datos para entrenamiento de robots GenRobot AI levanta $100 millones en financiación Serie A+
GenRobot AI, una empresa con sede en Beijing, ha cerrado una ronda de financiación Serie A+ de $100 millones para impulsar su desarrollo de infraestructura de datos para robots. La compañía proporciona equipos y software que recopilan demostraciones humanas (visuales, movimientos de manos y cuerpo) en tareas como domésticas, fabricación y logística. Su plataforma Matrix sincroniza, limpia y etiqueta estas grabaciones, ofreciendo datos de entrenamiento y evaluación para desarrolladores de robots.
Herramientas profesionales: Heidi AI
Heidi AI es una herramienta de IA que utiliza entrada de voz para tomar notas y transcripciones de consultas veterinarias, buscando reducir la carga administrativa de los veterinarios. La herramienta permite a los profesionales centrarse más en la comunicación y el examen clínico durante las consultas. Se destaca por su facilidad de uso y su capacidad para mejorar la eficiencia del flujo de trabajo, aunque requiere supervisión clínica para asegurar la precisión de la transcripción.
Caitlin Johnstone: Re-centralizando el control de la información
La noticia aborda la preocupación de que la inteligencia artificial pueda ser utilizada para re-centralizar el control de la información, afectando la percepción humana a través de algoritmos sofisticados. Se menciona que la IA podría manipular la información para servir a intereses de élites, como la propagación de narrativas pro-Israel. Se citan advertencias previas sobre cómo la IA puede superar la capacidad humana de detectar la manipulación algorítmica en la información.
La IA y las matemáticas se encuentran, ¿hacia dónde nos llevarán mutuamente?
La inteligencia artificial está acelerando el avance de las matemáticas, pasando de la ayuda al cálculo a la resolución de problemas de investigación complejos. Agentes de IA como los de DeepMind y OpenAI han resuelto teoremas y conjeturas matemáticas abiertas, generando un debate sobre el impacto de la IA en la investigación. Expertos matemáticos advierten sobre esta transformación, señalando un cambio significativo en el campo.
OpenAI amplía su trabajo con la industria periodística mediante una alianza con Axios
OpenAI anunció una nueva alianza de contenido con Axios y financiará la expansión de su cobertura local en cuatro ciudades de Estados Unidos: Pittsburgh, Kansas City, Boulder y Huntsville. La empresa suma casi 20 socios editoriales, entre ellos News Corp, The Atlantic, Vox Media, Prisa Media, Condé Nast, Hearst y Dotdash Meredith, que permiten a ChatGPT mostrar resúmenes y extractos citados de medios confiables. Además, OpenAI detalló programas de subvenciones con American Journalism Project, Lenfest Institute y WAN-IFRA para impulsar la adopción de IA en salas de redacción locales y globales.
La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología
La inteligencia artificial está generando grandes avances en la predicción meteorológica y la investigación del cambio climático, permitiendo simulaciones más rápidas y análisis de datos más complejos. Se observa que los modelos de IA están compitiendo con los modelos físicos y que las predicciones a largo plazo son menos deterministas. Sin embargo, se advierte una limitación en que las herramientas de IA están entrenadas con datos pasados, sugiriendo la necesidad de seguir experimentando con modelos fisicoquímicos complejos.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «AI»
Más recientes primero · Hasta 30 noticias por página
RetinaGuard: Triaje con control de riesgo agente para el cribado retiniano multianal
Se presenta RetinaGuard, un marco de triaje agente diseñado para el cribado retiniano, que utiliza agentes para recopilar evidencia y un predictor de fallos para estimar la probabilidad de decisiones inseguras. El sistema compara su rendimiento con otros modelos utilizando diferentes niveles de seguridad y demuestra que la recolección de evidencia agente depende de la incertidumbre del modelo primario.
Marco estadístico para la acción colectiva algorítmica con múltiples colectivos
Se propone un marco estadístico exhaustivo para la Acción Colectiva Algorítmica (ACA) cuando múltiples colectivos actúan sobre el mismo sistema. El trabajo se enfoca en la acción colectiva en la clasificación, buscando cuantificar el éxito de estos colectivos basándose en el tamaño y la alineación de sus objetivos. El marco permite calcular estos límites estadísticos incluso con conocimiento parcial de las estrategias de otros colectivos.
SpreadsheetBench 2: Evaluando agentes en flujos de trabajo de hojas de cálculo empresariales de extremo a extremo
Se presenta SpreadsheetBench 2, un punto de referencia a nivel de flujo de trabajo para agentes de hojas de cálculo, diseñado para evaluar tareas de generación, depuración y visualización utilizando datos empresariales reales. El benchmark incluye 321 tareas y evalúa modelos de lenguaje grandes bajo un andamiaje de agente unificado. Los resultados indican que los sistemas actuales tienen baja fiabilidad en flujos de trabajo empresariales complejos, señalando problemas en la inspección y selección de celdas.
Perfiles de perturbación de clasificadores de trayectoria de escaneo: A qué son sensibles los decodificadores de lectura, comprensión de código y video
Se propone un perfil de perturbación para descriptores a nivel de ensayo para evaluar la sensibilidad de clasificadores de trayectoria de escaneo a diferentes propiedades. Se realizaron pruebas en tres conjuntos de datos públicos (lectura, comprensión de programa y visualización de video/juego) para medir cómo la manipulación de propiedades como el orden de fijación afecta el rendimiento del clasificador. Los resultados indican que la sensibilidad del pipeline a ciertas propiedades es medible mediante la caída del AUC.
Evaluación de la clasificación y la explicabilidad en el análisis de imágenes petrograficas multimodales
Se evalúan los clasificadores automatizados de imágenes petrográficas multimodales que combinan luz planeada-polarizada y cruzada-polarizada. El estudio analiza cómo los errores de clasificación y los mapas de atribución revelan aspectos del rendimiento del modelo que la precisión de la clasificación no muestra. Se encontraron diferencias en la sensibilidad a la modalidad y el comportamiento de atribución entre las diferentes vistas ópticas.
Localización de región con evidencia mediante destilación auto-distilada contrastiva selectiva
Se propone el método SPN-OPSD para mejorar la capacidad de los modelos de lenguaje grandes multimodales en tareas visuales de grano fino. Este método considera tanto las regiones de evidencia como las de fondo para mejorar la resistencia a la interferencia de regiones irrelevantes. La aplicación de SPN-OPSD mejoró la precisión en varios benchmarks de visión por computadora en modelos Qwen3.5.
Decodificación especulativa de nivel de frase en un objetivo congelado
Se presenta una mejora en la decodificación especulativa para aumentar el rendimiento al permitir que más candidatos sobrevivan a la verificación. Se describe una técnica donde una cabezal MLP predice frases de una a tres palabras en un vocabulario de borrador separado, optimizando el uso de parámetros y manteniendo la coherencia con el vocabulario del modelo base. Los resultados demuestran una ventaja en métricas de razonamiento matemático frente a otros modelos.
Escalado en tiempo de prueba para modelos de lenguaje de difusión con remasquillado consciente de la frecuencia
Se propone un escalado en tiempo de prueba para modelos de lenguaje de difusión mediante una asignación adaptativa de cómputo y estrategias de decodificación. El método utiliza un muestreador rápido para preguntas fáciles y remasquillado consciente de la frecuencia para preguntas difíciles. Los experimentos demuestran mejoras en precisión y cobertura en benchmarks como MATH-500 y HumanEval.
De la conexión de herramientas al control de ejecución: Evaluación de invariantes de seguridad en *runtimes* de agentes estilo MCP
El artículo presenta la formulación de ocho invariantes de ejecución (I1-I8) para agentes conectados a herramientas, diseñados para asegurar la integridad incluso ante instrucciones adversarias. Se compara el rendimiento de estos invariantes en dos arquitecturas de *runtime*: HCP (runtime en memoria) y una ACL de *gateway*/servidor independiente (B3). Los resultados demuestran que aplicar los invariantes I1-I8 asegura la ejecución segura de herramientas independientemente del diseño del *runtime* utilizado.
Spatial-IQ: Descomponiendo la inteligencia espacial mediante pruebas de capacidad jerárquica
Se presenta Spatial-IQ, un marco de diagnóstico jerárquico diseñado para evaluar el razonamiento espacial de los modelos de lenguaje grandes (MLLMs). Este marco descompone el conteo de objetos en estructuras 3D, analizando subtareas perceptuales y cognitivas basadas en etapas de la cognición humana. Se demuestra que entrenar estos modelos con supervisión de cadena de pensamiento y aprendizaje por refuerzo mejora la consistencia y la precisión del rendimiento espacial.
Cuando la experiencia se convierte en una puerta trasera: Envenenamiento de agentes de LLM autoevolutivos mediante optimización de tareas consciente del fallo
Se estudia un problema de ataques de puerta trasera a nivel de tarea en agentes de LLM autoevolutivos, donde el atacante inyecta tareas de evolución envenenadas. Se proponen BadEvolve, un marco que diagnostica fallos en cuatro etapas de evolución y utiliza reversión para preservar el progreso y evitar actualizaciones ineficaces. Los experimentos demuestran la efectividad de este marco contra diversos marcos de autoevolución.
Predicción temprana de memecoins fraudulentos en Solana mediante aprendizaje automático
Un estudio utiliza aprendizaje automático para detectar fraudes de "rug pull" en memecoins de Solana. La investigación analiza un conjunto de datos de 6.4 millones de tokens para identificar características de rug pull en la plataforma. Se demuestra que modelos de aprendizaje automático como XGBoost son efectivos para predecir estos fraudes basándose en datos de negociación iniciales. El estudio sugiere que la fusión de datos de múltiples fuentes mejora la fiabilidad de la detección en este ecosistema.
PEARL: Modelado de optimización interactivo Solver-in-the-Loop a partir del lenguaje natural
Se presenta PEARL, un sistema para el modelado de optimización interactivo de solucionador que utiliza ejecución de Python y solucionadores de programación matemática en un ciclo iterativo. Este sistema aprende a probar modelos parciales y revisar diagnósticos del solucionador para mejorar las formulaciones y el código antes de la finalización. PEARL demuestra un mejor acuerdo objetivo ejecutable y es competitivo con modelos de referencia existentes.
PoEM: Predicción de resultados de RL a partir de políticas existentes
Se presenta PoEM, un marco para predecir los resultados de Aprendizaje por Refuerzo (RL) utilizando modelos entrenados previamente con otras recompensas. El objetivo es predecir la política RL óptima para una nueva función de recompensa sin necesidad de un entrenamiento adicional. El método aprovecha la combinación lineal de políticas existentes para aproximar la política objetivo.
Hacia una detección de fraude auditable: Combinando características de grafos, explicaciones de modelos e investigación de casos agente
Se presenta un *pipeline* de detección de fraude por capas que integra clasificadores, características de grafos, señales de anomalía y un agente de investigación LLM. El estudio evalúa la contribución de cada componente en la detección de fraude, encontrando que la justificación de un agente de investigación no siempre resulta en una decisión mejor. Se concluye que cada parte del sistema solo es efectiva bajo condiciones específicas.
Ediciones Mecanísticas Certificadas: Garantías de Comportamiento para la Eliminación y Preservación de Habilidades
Se presentan ediciones mecánicas como herramientas estándar para eliminar capacidades dañinas de redes neuronales manteniendo otras útiles. Se certifica el efecto de estas ediciones, garantizando que la eliminación de una habilidad preserve otra en regiones continuas de entradas. Se demuestra que ninguna prueba de caja negra determinista puede certificar la eliminación, incluso con pruebas exhaustivas.
No se identificaron personas.
VOIM: Mapeo de instancias 3D de vocabulario abierto sin entrenamiento para RGB-D y SLAM monocular
Se presenta VOIM, un sistema sin entrenamiento que genera mapas de instancias 3D de vocabulario abierto utilizando datos de video RGB-D o video RGB monocular. Este sistema acumula evidencia de etiquetas suaves de modelos de percepción preexistentes para determinar las etiquetas y las instancias de objetos. Los experimentos en ScanNet++ y la navegación en robots reales demuestran la usabilidad de estos mapas.
Monitorización en tiempo de ejecución con validez válida de certificados de barrera aprendidos
Se propone un monitor en tiempo de ejecución con validez válida para auditar certificados de barrera aprendidos, detectando la pérdida de soporte estadístico de la condición de barrera desplegada. El sistema utiliza pruebas de hipótesis secuenciales y transforma incrementos de barrera en una supermartingala para controlar falsas alarmas. El monitor busca detectar evidencia estadística de que el certificado de seguridad no es consistente con las dinámicas observadas.
Modelos de lenguaje no reportan estados de dolor inyectados
Un estudio evaluó si los modelos de lenguaje podían reportar un estado de dolor inyectado. Los resultados indican que, aunque se pudo distinguir el dolor de la tristeza, los modelos no lograron reportar el dolor en las capas principales de inyección. Sin embargo, los reportadores entrenados lograron recuperar el estado de dolor en tareas específicas.
No se identificaron personas.
Marco orientado a agentes para el análisis reproducible de datos de termorreflectancia en el dominio de la frecuencia
Se presenta Vibe-FDTR, un marco orientado a agentes que permite a los agentes de LLM realizar análisis de termorreflectancia en el dominio de la frecuencia (FDTR) de manera reproducible a partir de solicitudes en lenguaje natural. Este marco combina un paquete de código configurado con habilidades de agente para traducir intenciones en pasos de análisis verificables. Los resultados muestran que los agentes con Vibe-FDTR alcanzan tasas de éxito del 100% y 98.9% en tareas controladas, reduciendo el costo computacional y el tiempo de ejecución.
El teorema Pokémon: los criterios de equidad no pueden atraparlos a todos
Se presenta el teorema Pokémon, que establece que es imposible satisfacer todos los criterios de equidad algorítmica simultáneamente. Se argumenta que cumplir con un conjunto finito de criterios no garantiza la equidad total, ya que el modelo puede violar otros criterios. Se explora la posibilidad de lograr una equidad aproximada al encontrar la frontera de Pareto entre la equidad y el señal predictivo.
Muestreo estocástico consistente con SDE para el post-entrenamiento de RL en modelos de Flow-Matching
Se propone Precise, un nuevo muestreador estocástico que equilibra la exploración efectiva y la estabilidad en modelos de flow-matching. Este método mantiene la consistencia SDE de la trayectoria de eliminación de ruido mediante una aproximación que resuelve el problema del exceso de ruido. Los experimentos demuestran que esta formulación resulta en una optimización de recompensa más rápida y estable, logrando puntuaciones de alineación de vanguardia con menor tiempo de entrenamiento.
Señales tempranas de uso problemático de IA: Roles longitudinales de la motivación y el compromiso emocional
Un estudio longitudinal sobre 114 adultos reveló que la motivación para usar IA conversacional predice un uso problemático posterior de esta tecnología. Se encontró que la motivación para usar IA, especialmente para gestionar sentimientos y superar dificultades, se correlaciona con un uso problemático. Los resultados sugieren que la motivación de la IA puede servir como señal de advertencia temprana de un uso problemático.
No se identificaron personas.
Elsewise: Creación de narrativas interactivas abiertas con visualización del espacio de posibilidad
Se presenta Elsewise, una herramienta de autoría para narrativas interactivas basadas en LLM que utiliza un concepto de Trama Agrupada para mejorar la comprensión del espacio de posibilidad narrativa por parte del autor. El estudio de usuario indica que este enfoque mejora la anticipación del autor sobre la experiencia narrativa del jugador, facilitando un mejor control y exploración de dichas posibilidades.
PEEK: Corrección de sesgo de exposición con mirada hacia adelante de un paso para muestreo de difusión
Se propone PEEK, un plugin de muestreador determinista sin entrenamiento, para mitigar el sesgo de exposición en generadores de imágenes por difusión. PEEK realiza una actualización provisional de un paso y utiliza una predicción un paso adelante para mejorar la calidad de la imagen al mitigar el sesgo de exposición. Los experimentos mostraron reducciones en la Distancia de Percepción de Fréchet (FID) de hasta un 49.3% en varios modelos.
Deliberación No Recíproca de Tensor de Arista Tipada para Razonamiento Deductivo Contrafactual de Mundo Abierto
Se presenta una nueva arquitectura de razonamiento latente continuo de tiempo neuro-simbólica llamada TE-BPHD. Esta arquitectura combina conservación port-Hamiltoniana antisimétrica con transporte direccional no recíproco y amortiguamiento disipativo para mejorar el razonamiento deductivo. Los resultados demuestran que elimina la deriva de horizonte profundo y aumenta la precisión del razonamiento cíclico en benchmarks específicos.
Aprendizaje universal de incrustaciones voxel a voxel mediante síntesis aleatoria para localización de puntos de referencia
Se propone UNIVERS, un marco entrenable de extremo a extremo que aprende incrustaciones voxel a voxel universales mediante síntesis aleatoria para la localización de puntos de referencia en escaneos de volumen multimodales. Este método utiliza datos pseudo sintetizados con aleatorización para hacer el modelo robusto a variaciones en el contraste y resolución de la imagen. Los resultados demuestran que UNIVERS supera a los métodos de última generación en la localización de puntos de referencia, especialmente en escenarios de multimodalidad.
¿Cuántas exposiciones necesita un modelo mundial? Aprendiendo mecánicas de juego no vistas en el momento de la prueba
Se investiga cuántas exposiciones necesita un modelo del mundo para predecir las mecánicas de un entorno de juego desconocido. Se presenta el modelo WARC, un transformador de visión, que demuestra capacidad para predecir la mayoría de las mecánicas con alta precisión tras un entrenamiento específico. El trabajo también muestra que el entrenamiento en el momento de la prueba mejora significativamente la eficiencia de un explorador de grafos.
EarthJev: Adquisición de evidencia visual eficiente y toma de decisiones para la comprensión del teledetección UHR
Se presenta EarthJev, un marco diseñado para la respuesta a preguntas visuales (VQA) en teledetección UHR, enfocado en la adquisición eficiente de evidencia visual. El sistema separa la puntuación de regiones de la generación de respuestas, utilizando señales de decisión específicas para mejorar la precisión y reducir la latencia. EarthJev superó a ZoomSearch en cinco puntos de referencia, logrando una precisión media del 53.06% con el modelo Qwen3.5-9B.
Impacto algorítmico revela la estructura oculta de la elección social de alineación
El artículo aborda el problema de la elección social al alinear algoritmos de inteligencia artificial que afectan a múltiples personas. Propone una reformulación matemática que permite tratar el problema de alineación como una optimización lineal sobre un espacio de impacto convexo. Esto permite traducir protocolos de alineación en consecuencias de bienestar y viceversa, demostrando la viabilidad de mecanismos como la votación por temas.