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
WARP-JEPA: Planificación de Despliegue Amortizado World-Model-in-the-Loop para Arquitecturas Predictivas de Incrustación Conjunta Jerárquica Congeladas
Se presenta WARP-JEPA, un marco de planificación jerárquica amortizada que reemplaza la optimización de gradiente en línea con propositores de trayectoria aprendidos, manteniendo los modelos del mundo congelados. Este enfoque logra una inferencia de episodio significativamente más rápida y mejora el éxito de la tarea en tareas de horizonte largo. Los resultados demuestran que la planificación amortizada puede mejorar la eficiencia y el rendimiento del control sin necesidad de reentrenar los modelos del mundo.
Marcado biométrico por ultrasonido contra *deepfakes* de video facial
Se propone un nuevo método de marcado de agua biométrico llamado UltraGuard para proteger videos faciales en tiempo real contra *deepfakes* generados por IA. Este método utiliza señales ultrasónicas del smartphone para capturar características biométricas y las incrusta dinámicamente en el video durante la transmisión. La validación experimental demuestra que el sistema es eficaz contra la falsificación y edición de videos.
El razonamiento no supervisado emerge de una cohorte diversa en RL multiagente
Se presenta Co-RL, un marco de Aprendizaje por Refuerzo (RL) que permite el razonamiento no supervisado mediante el entrenamiento cooperativo de múltiples agentes desacoplados. El trabajo demuestra que aumentar la diversidad de la cohorte mejora el rendimiento del razonamiento y mitiga el colapso del entrenamiento, mejorando los modelos base sin etiquetas de verdad fundamental.
Mejora recursiva de confianza con garantías estadísticas
Se presenta un marco llamado TRUST para la auto-mejora recursiva de IA, que utiliza pruebas estadísticas para controlar la evolución de actualizaciones. Este método busca equilibrar la fiabilidad estadística con la mejora del rendimiento en agentes de IA. Los resultados demuestran que TRUST reduce significativamente la proporción de actualizaciones inferiores aceptadas en comparación con métodos anteriores.
Agentes proponen, código verifica, humanos deciden: Ingestión verificada de tablas científicas heterogéneas en bases de datos relacionales
Se presenta un *pipeline* asistido por IA donde agentes de LLM proponen, código determinista verifica y humanos deciden la ingesta de conjuntos de datos científicos heterogéneos en bases de datos relacionales. El sistema incluye un verificador que prueba las propuestas contra la evidencia y un revisor humano que aprueba la estructura y la carga de los datos. Se logró cargar 45.1 millones de valores con cero brecha de reconciliación en cuatro conjuntos de datos biomédicos.
Cerrando el punto ciego del cono de activación: Sondeo del tiempo de respuesta y defensa unificada
El estudio compara cinco paradigmas de seguridad en el tiempo de inferencia frente a siete modelos de IA y cinco tipos de ataques. Se deriva un corolario sobre las defensas que restringen la intervención en la alineación de la activación con una referencia benigna. Se propone una técnica de sondeo del tiempo de respuesta para contrarrestar ataques de prellenado.
Señales neurales generan notas clínicas en el mundo real
Se presenta CELM, un modelo de base de lenguaje EEG-a-Lenguaje que resume grabaciones de EEG de larga duración y genera informes clínicos. El modelo integra modelos de EEG y lenguaje para un aprendizaje multimodal escalable. Los resultados experimentales demuestran que CELM supera a métodos existentes y es más coherente clínicamente según expertos.
¿Pueden los agentes de LLM organizar su propia memoria?
Se presenta un marco llamado memoria autoorganizada (SoMem) para agentes de LLM que almacena la memoria en documentos enlazados. Este sistema permite al agente decidir qué resumir y cómo organizar la información, manteniendo la evidencia vinculada a las interacciones originales. Los resultados demuestran que SoMem supera a la mejor línea base en varias métricas de rendimiento.
OASIS: Alineación de Espacio de Observación-Acción mediante Predicción de Trayectoria de $SE(3)$ para Manipulación Robótica
Se presenta OASIS, una política visuomotora diseñada para alinear la representación intermedia con el espacio de acción mediante la predicción de trayectoria del efector final $SE(3)$. Este modelo combina un codificador de características 3D con un predictor de trayectoria $SE(3)$ para generar fragmentos de acción consistentes con el movimiento de cuerpo rígido. Los experimentos demuestran que OASIS supera a los modelos VLA y WAM en términos de tasa de éxito y generalización.
Gobernanza adecuada en la era algorítmica: los fundamentos de la estrategia estatal digital
El artículo aborda la necesidad de establecer fundamentos conceptuales para gobernar el sustrato digital (datos, algoritmos, plataformas) debido a que la capacidad y legitimidad para hacerlo están desalineadas. Introduce la estrategia estatal digital como un concepto que redefine la cuestión de la gobernanza estatal en la era algorítmica. Propone diez principios basados en coherencia técnica y autoridad legítima para abordar los desafíos de la gobernanza digital.
Síntesis de estrategias de planificación basadas en la línea de tiempo que evitan la determinización
Se presenta un fragmento de planificación basada en la línea de tiempo cualitativa cuyo problema de existencia de planes se mapea al problema de no vaciedad de autómatas finitos deterministas. Esto permite sintetizar estrategias de planificación mediante un paso de determinización. También se identifica un subconjunto máximo de las relaciones de Allen que se ajusta a este fragmento determinista.
Correctness vs Eficiencia: Control de comportamiento con extrapolación del espacio de pesos en RL
Se estudia un problema en programación competitiva relacionado con el control de comportamiento en el aprendizaje por refuerzo (RL). Se investiga cómo la relajación de la restricción de eficiencia afecta la frontera entre corrección y eficiencia. Se demuestra que la extrapolación en el espacio de pesos puede amplificar o suprimir el comportamiento no deseado del modelo.
Estudio de post-entrenamiento en modelos fundacionales de series temporales
Se analiza el post-entrenamiento de modelos fundacionales de series temporales (TSFMs) para mejorar su despliegue en tareas posteriores. El estudio clasifica los métodos de post-entrenamiento en cinco categorías, incluyendo adaptación de parámetros y composición de modelos. El objetivo es proporcionar un marco unificador para guiar la investigación hacia un despliegue fiable de estos modelos.
Formato HiFloat4 para el entrenamiento posterior de RL de aprendizaje por refuerzo de extremo a extremo en Modelos de Lenguaje Grandes
Se presenta el primer entrenamiento posterior a la preentrenamiento de RL FP4 de extremo a extremo, utilizando el formato HiFloat4 (HiF4) y la técnica Rollout-ResQ. Estos métodos logran reducir significativamente la brecha de precisión con BF16 al mejorar la recuperación de la precisión perdida por el desbaje de activación. Los resultados demuestran que la elección del formato FP4 es crucial para determinar el límite de la precisión recuperable.
Matching de flujo consciente de la frecuencia para generación de acciones robóticas continua y consistente
Se propone el Matching de Flujo Consciente de la Frecuencia (FAFM) para generar acciones robóticas continuas y consistentes, abordando la fragilidad de los métodos existentes ante frecuencias de control heterogéneas. El método transforma secuencias discretas al dominio de la frecuencia mediante la transformada de coseno discreta y regulariza la derivada temporal para asegurar acciones suaves. FAFM mejora el rendimiento en benchmarks robóticos y demuestra robustez al sesgo mecánico y a la entrada de frecuencia mixta.
Transformers implementan de forma demostrable el aprendizaje por refuerzo en contexto con mejora de política
Se investiga la capacidad de los transformadores para realizar aprendizaje por refuerzo en contexto (ICRL) sin actualizaciones de parámetros. Se demuestra que un bloque de transformador puede implementar métodos de mejora de política como SARSA y actor-crítico. Los resultados confirman que los modelos entrenados recuperan la estructura de parámetros y ofrecen un fuerte rendimiento de control en contexto al aplicarse a MDPs no vistos.
Hacia una evaluación fiable de LLM: Corrigiendo el castigo del ganador
Se propone el protocolo SIREN para la evaluación de LLM, diseñado para corregir el "castigo del ganador" en la selección de benchmarks adaptativos. Este método busca mejorar la fiabilidad de la evaluación al manejar la reutilización de elementos en el proceso de ajuste y despliegue. Los experimentos demuestran que el reporte basado en el ganador puede ser optimista, mientras que SIREN se acerca al objetivo de reporte de muestra finita.
Escalando modelos de lenguaje inherentemente interpretables
Se desafía la premisa de que la interpretabilidad es un obstáculo para la capacidad de los modelos de lenguaje. El trabajo propone hacer de la interpretabilidad una restricción del proceso de entrenamiento, optimizándola junto con el objetivo de modelado de lenguaje. Se demuestra que la interpretabilidad escala con la capacidad del modelo a medida que aumenta el cómputo. Esto permite una intervención en bucle cerrado para diagnosticar y corregir el comportamiento del modelo sin necesidad de reentrenamiento.
¿Quién necesita etiquetas? Adaptando modelos de visión fundacional con los metadatos que ya tienes
Se propone un enfoque sin etiquetas para adaptar modelos fundacionales de visión a dominios científicos especializados utilizando metadatos existentes. El método FINO combina auto-supervisión con guía de metadatos para adaptar representaciones a nuevos dominios de forma semi-supervisada. Este método demuestra un rendimiento superior en diversas aplicaciones como microscopía, observación terrestre y diagnóstico médico.
Difusión de un paso condicionado por covariables para la predicción de resonancia magnética cerebral 3D de múltiples horizontes en el envejecimiento y la neurodegeneración
Se propone un marco de difusión de un solo paso condicionado por covariables para predecir cambios longitudinales en mapas de densidad de materia gris (GMD) 3D a través de resonancia magnética (MRI), buscando caracterizar la progresión asociada al envejecimiento y la neurodegeneración. El método utiliza predicción residual en un solo paso para reconstruir la anatomía futura, siendo condicionado por factores como la edad y el alelo APOE4. Los resultados en el conjunto de prueba ADNI mostraron un rendimiento positivo en métricas como $\Delta$-Pearson y SSIM.
NeuroRVQ: Tokenización de Señales Biológicas Multi-Escala para Modelos Fundacionales Generativos
Se presenta NeuroRVQ, una familia de tokenizadores de señales biológicas adaptativos diseñados para la reconstrucción de alta fidelidad. Este método descompone las señales biológicas en representaciones de frecuencia mediante convoluciones multi-escala y código RVQ para preservar el detalle de alta frecuencia. Se demuestra que la calidad de la tokenización es un factor crítico para el rendimiento de los modelos fundacionales en el modelado de estas señales.
Transformer Descompuesto Incrustado para la Predicción de Series de Tiempo Multivariadas
Se presenta el EDformer, un Transformer Descompuesto Incrustado, diseñado para la predicción de series de tiempo multivariadas. El método utiliza estrategias de descomposición en dominio del tiempo y frecuencia para separar componentes estacionales y de tendencia. Los resultados demuestran que el EDformer alcanza un rendimiento competitivo en diversos conjuntos de datos.
HALMES: Saber cuándo intervenir en la mitigación de alucinaciones en LVLM
Se presenta HALMES, un módulo ligero que identifica segmentos precursores de alucinación en los modelos de lenguaje visuales (LVLM) mediante características de atención. Este módulo activa selectivamente el decodificado contrastivo para corregir solo los segmentos problemáticos. Los experimentos demuestran que HALMES mejora la mitigación de alucinaciones sin afectar negativamente las generaciones correctas.
No se identificaron personas.
Muestreo no es curiosidad: Por qué los agentes de LLM deberían investigar
Se propone un marco para definir la curiosidad en agentes de LLM, argumentando que los agentes actuales exploran de forma estocástica en lugar de curiosa. Se sugiere que la curiosidad requiere una estructura predictiva sobre la respuesta del entorno a las acciones del agente para mejorar la interacción y persistir más allá del contexto. El trabajo identifica nuevas direcciones de investigación para la implementación de estos sistemas.
AgentCompile: Compilador guiado por LLM para inferencia directa en CUDA
Se presenta AgentCompile, un compilador de inferencia CUDA guiado por LLM que utiliza modelos de lenguaje grandes para generar kernels CUDA. Esta herramienta combina la generación de metadatos y la validación de candidatos para optimizar la inferencia de transformadores. Se reportan aceleraciones significativas en comparación con PyTorch eager y vLLM en diversas familias de modelos.
HolidayFactory 1.0: Simulación, generación y evaluación de tareas de robots industriales
Se presenta HOLIDAYFACTORY 1.0, un marco para simular, generar y evaluar el trabajo de robots industriales, abordando la necesidad de evaluar tareas repetitivas donde el estado de la escena persiste. El marco incluye componentes como HOLIDAY-SIM para la dinámica del actuador y la construcción de mundo agentiva para generar activos y variantes de escena. Se introducen tareas industriales en 24/7-BENCH para medir el rendimiento sin reinicio de la escena.
Evaluación del razonamiento visual temporal en la generación de código de video a código
Se presenta Animation2Code, un benchmark para evaluar el razonamiento visual temporal al reconstruir código de animación web ejecutable a partir de videos. El estudio utiliza 1,069 videos con diversos patrones de movimiento y sus implementaciones correspondientes en HTML/CSS/JavaScript. Los resultados indican que los modelos VLM actuales luchan por mantener la coherencia temporal en la reconstrucción, incluso con alta similitud de apariencia.
No toda la incertidumbre es igual: volatilidad, estocasticidad y exploración
El texto aborda la toma de decisiones adaptativa en inteligencia biológica y artificial, enfocándose en el equilibrio entre explotar resultados conocidos y explorar alternativas inciertas. Se analiza cómo la volatilidad y la estocasticidad afectan la incertidumbre posterior y cómo impulsan la exploración en direcciones opuestas. Se presenta un marco teórico para la exploración sensible a la incertidumbre, sugiriendo una asimetría en la inferencia de ruido con implicaciones para condiciones psiquiátricas.
Los LLMs pueden capturar mejor los juicios humanos con los prompts adecuados
Se demuestra que estrategias de prompting simples pueden mejorar la alineación entre modelos de lenguaje grandes (LLMs) y el juicio humano. Al solicitar a los modelos que reporten desviaciones estándar y proporciones de respuesta, se recupera mejor el rango completo de respuestas humanas. Además, asegurar la claridad de los escenarios para los participantes humanos mejora la alineación del modelo, sugiriendo que hacer mejores preguntas a los LLMs puede generar respuestas más precisas.
No se identificaron personas.
Marco continuo de validación, actualización y toma de decisiones para Gemelos Digitales autoadaptativos
Se presenta un marco de adaptación en línea para Gemelos Digitales que integra detección de deriva basada en gradientes y validación estadística para mantener la fidelidad predictiva ante cambios en las condiciones de operación. El método utiliza actualizaciones de modelos por lotes con Adaptación de Bajo Rango y una prueba de bootstrap para evaluar la mejora predictiva antes de la implementación. Los resultados indican mejoras en la precisión predictiva y la estimación de incertidumbre en comparación con los modelos base.