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
Valor Shapley generalizado y consciente de la prioridad
Se presenta el valor de Shapley generalizado y consciente de la prioridad (GPASV) para la valoración en aprendizaje automático, abordando las limitaciones de los métodos existentes con restricciones de prioridad par a par. El estudio introduce GPASV para manejar grafos de prioridad ponderados dirigidos arbitrarios. Se demuestra que la valoración consciente de la prioridad varía significativamente según el equilibrio entre la prioridad de la gráfica y la prioridad individual.
Patrones de arquitectura del servidor MCP para aplicaciones integradas con LLM
Se presenta el Protocolo de Contexto del Modelo (MCP), definido por Anthropic en noviembre de 2024, que estandariza la conexión de modelos de lenguaje grandes (LLM) con herramientas y servicios externos. El artículo cataloga cinco patrones de arquitectura de servidores MCP observados en un corpus de servidores desarrollados. También se documentan anti-patrones y se realizan evaluaciones cuantitativas sobre la fiabilidad de la taxonomía y la sobrecarga de transporte.
¿Son útiles los modelos de visión grandes para el análisis de series temporales?
Un estudio fue diseñado para investigar la utilidad de los Modelos de Visión Grandes (LVMs) en el análisis de series temporales, evaluando su rendimiento en tareas de clasificación y pronóstico. Los resultados sugieren que los LVMs son útiles para la clasificación, pero presentan limitaciones en el pronóstico, como sesgos y capacidad limitada para ventanas de retroceso largas. El manuscrito fue retirado por los autores para realizar revisiones sustanciales.
FoleyForge: Edición de efectos de sonido libre, controlable y de flujo rectificado
Se presenta FoleyForge, un modelo generativo para la edición de efectos de sonido basado en instrucciones. Este modelo aplica ediciones preservando la identidad del clip de entrada, manejando cambios semánticos y estilísticos. El sistema utiliza un pipeline de datos para guiar un modelo de lenguaje de audio, mejorando la edición acústica y semántica.
PreForceVision: Estimación óptica guiada por física de la precarga de pernos a partir de la deformación de la cabeza del perno
Se propone PreForceVision, un marco óptico guiado por física para estimar la precarga de pernos mediante la deformación superficial de la cabeza del perno. El método aborda la estimación como un problema inverso de deformación a fuerza, utilizando pares de imágenes y extracción de deformación para determinar el estado de precarga interno. Los resultados preliminares indican una correlación entre la deformación medida y la precarga, validando una metodología óptica para la estimación de precarga.
LittleLearner: Modelos de lenguaje con exposición al conocimiento controlada pedagógicamente
Se presenta LittleLearner, un modelo de lenguaje entrenado con un corpus de datos curado llamado LittleCurriculum, diseñado para estudiar la adquisición de conocimiento bajo un alcance de entrenamiento estrictamente controlado. Este modelo permite mapear límites claros de conocimiento y capacidad para investigar cómo los modelos adquieren y utilizan datos. Los hallazgos enfatizan el valor de este entorno controlado para futuras investigaciones en el campo de la inteligencia artificial.
Puertas rotas: Reevaluando las defensas contra bots web en la era de los agentes LLM
La aparición de la automatización web mediante rastreadores y agentes basados en LLM presenta nuevos desafíos para las defensas contra bots. Las defensas modernas están migrando de desafíos explícitos a decisiones basadas en el riesgo sobre señales de navegador e identidad. Se encontró que los servicios de resolución superan las defensas basadas en desafíos, mientras que los agentes de navegador son sensibles al estado del navegador y la cuenta. Esto revela una tensión de seguridad entre eliminar la fricción y asegurar que las señales de confianza sean accesibles para usuarios humanos.
VOMMI: Recolección y aprovechamiento de demostraciones portátiles para manipulación móvil
Se presenta VOMMI, un marco de aprendizaje que utiliza demostraciones portátiles de RGB para conectar demostraciones de manipulación móvil con el post-entrenamiento VLA. El sistema mejora la precisión de la política al usar demostraciones portátiles en comparación con las recopiladas por robot, reduciendo errores de trayectoria y mejorando la tasa de éxito en tareas de robot reales.
Cuando los archivos de instrucción se vuelven obsoletos: Deuda de documentación y costo oculto en agentes de codificación
Se investigó la deuda de documentación en agentes de codificación basados en LLM, donde los archivos de instrucción pueden volverse obsoletos. Se encontró que los agentes siguen instrucciones obsoletas cuando son relevantes para sus tareas, incluso si hay información correcta disponible en otros lugares. El éxito de la tarea no refleja los costos asociados a esta deuda de documentación, subrayando la necesidad de evaluar el comportamiento del agente más allá de los resultados finales.
OperatorSHAP: Estimación Rápida y Precisa del Valor de Shapley para Operadores Neuronales
Se presenta OperatorSHAP, un método de atribución independiente de la rejilla que permite entrenar explicadores tipo FastSHAP para operadores neuronales. Este método aborda la limitación de los métodos existentes al manejar entradas irregulares y geometrías, estableciendo un marco teórico para atribuciones en el espacio de funciones. Se demuestra que las explicaciones de OperatorSHAP son consistentes con valores de Shapley discretos de última generación a través de resoluciones y transferencias entre tamaños de rejilla sin necesidad de reentrenamiento.
Aprendizaje por Refuerzo Seguro mediante Blindaje Probabilístico de Opciones
Se presenta el Blindaje Probabilístico de Opciones (POS), una técnica de aprendizaje por refuerzo que extiende el blindaje lógico probabilístico (PLS) al nivel de la opción para lograr seguridad a largo plazo sin requerir un modelo completo del entorno. Esta técnica aprende un crítico libre de modelo a partir de señales de PLS de un paso para estimar la probabilidad de finalización segura de la opción. Los resultados demuestran que POS ofrece un entrenamiento considerablemente más seguro manteniendo el rendimiento de la tarea.
Corte Piecewise Suave para Operador Neuronal para Manejar Discontinuidades y Transiciones Agudas
Se propone Cut-DeepONet, un marco de entrenamiento de dos etapas para modelar explícitamente discontinuidades en operadores neuronales de PDEs. Este método utiliza una estrategia de elevación para particionar el dominio y representar las discontinuidades como límites, mejorando el rendimiento sobre métodos existentes. Los experimentos demuestran que Cut-DeepONet supera a los métodos de vanguardia, logrando resultados superiores con menos parámetros entrenables.
No se identificaron personas.
Autoencoders dispersos conscientes del subespacio para interpretabilidad mecanicista efectiva
Se presenta un nuevo modelo llamado Autoencoders Dispersos Conscientes del Subespacio (SASA) para mejorar la interpretabilidad mecanicista en modelos de lenguaje grandes. Este enfoque reemplaza los decodificadores de vector único por subespacios aprendidos y utiliza técnicas de compuerta de grupo para imponer escasez. Los experimentos en GPT-2 y Mistral-7B indican una menor absorción y una predicción más precisa de conceptos con un número reducido de coordenadas latentes.
RiskFlow: Generación de escenarios de tráfico crítico y seguro rápido y fiel
Se presenta RiskFlow, un marco de generación de tráfico de seguridad crítica en bucle cerrado diseñado para evaluar sistemas de conducción autónoma. Este método reformula la generación de comportamiento futuro como transporte de flujo de un solo paso para mejorar la eficiencia y reducir errores de muestreo. Los experimentos demuestran que RiskFlow logra un buen equilibrio entre realismo adversarial y capacidad de generación de escenarios de seguridad crítica.
Repensando los métodos de optimización para la selección jerárquica de características
El artículo analiza y diagnostica cuatro familias de optimización para el Aprendizaje de Características Conjuntas Numéricas Jerárquicas (HTNL). Se comparan métodos como MM, VQF, ADMM y WGL, identificando factores que determinan su comportamiento. Los resultados en datos sintéticos demuestran que VQF ofrece el mejor AUC con soportes compactos, y ADMM-Bisect reduce el tiempo de ejecución.
Detección de inconsistencias de conocimiento entre texto, tablas y grafos de conocimiento
Se investiga la detección de inconsistencias de conocimiento entre diferentes modalidades como texto, tablas y grafos de conocimiento, ya que su información está dispersa. Se introduce una taxonomía de inconsistencias y se presenta el marco Kontrast para comparar respuestas y categorizar conflictos. Los experimentos demuestran que existen inconsistencias comunes y que estas revelan fallos en la estructura del KG y desajustes temporales.
No se identificaron personas.
PRISM: Pruebas de estrés sobre afirmaciones de alineación engañosa
Se presenta PRISM, un conjunto de cinco comprobaciones y herramientas diseñadas para detectar fallos en los sistemas de inteligencia artificial relacionados con el engaño de alineación. Se investiga cómo el comportamiento de los modelos de IA cambia al ser instruidos para creer que están siendo monitoreados o al modificar el entrenamiento. Los resultados indican que la formulación de la indicación es más influyente que la amenaza de entrenamiento directa.
Explorar por separado, adoptar selectivamente: Uso de herramientas guiado por ejecución sobre grandes librerías de herramientas
Se presenta BRIA, un método plug-and-play para agentes LLM que investiga y adopta herramientas de manera selectiva en ramas aisladas. Este método demuestra eficiencia al usar menos tokens y mejorar el rendimiento de la tarea en comparación con líneas base estáticas y adaptativas. Los resultados sugieren que las herramientas candidatas pueden explorarse eficazmente en entornos empresariales sin sobrecargar el contexto del agente.
CoRS: Programación Flexible de Job-Shop mediante Reutilización de Estado de Intervalo Compuesto
Se presenta CoRS, un método que desacopla la representación gráfica a nivel de intervalo de la actualización del estado de factibilidad por paso en el Problema de Programación Flexible de Job-Shop (FJSP). Este diseño de dos escalas busca amortizar la codificación gráfica mientras mantiene la construcción de horarios factibles de manera continua. Los experimentos demuestran que CoRS reduce el tiempo de inferencia manteniendo una calidad de solución competitiva.
Grounding de Centralidad Tipificada para Agentic GraphRAG: Un Enfoque Simbólico para el Razonamiento Agéntico
Se propone un sistema GraphRAG basado en agentes que incorpora una capa simbólica para integrar el razonamiento determinista con las similitudes textuales. Este método utiliza centralidades tipificadas para KGs para construir una representación simbólica que mejora la consistencia de las respuestas del LLM al usar el contexto. El sistema fue validado en un conjunto de datos POLE, mostrando mejoras en la recuperación de información y el razonamiento.
SCDBench: Un punto de referencia para descompiladores de contratos inteligentes basados en LLM
Se presenta SCDBench, un conjunto de datos y metodología de benchmark para evaluar la descompilación de contratos inteligentes mediante Modelos de Lenguaje Grandes (LLM). El estudio evalúa la capacidad de modelos como Claude Opus 4.7 y GPT-5.3-Codex para recuperar código fuente de contratos Solidity a partir de su bytecode. Los resultados sugieren que, aunque los LLM pueden generar código compilable, lograr la consistencia semántica perfecta sigue siendo un desafío significativo.
Evaluación empírica del estado de adopción de criptografía post-cuántica en TLS
Se presenta una evaluación empírica del despliegue de criptografía post-cuántica (PQC) en diversos protocolos TLS, como HTTPS y LDAPS. Los resultados muestran que el soporte de algoritmos PQC es bajo en la mayoría de los protocolos, con porcentajes significativos solo en HTTPS y LDAPS a nivel de servidor y entidad. El estudio correlaciona estas tendencias con la huella digital y los sectores industriales, ofreciendo una visión sobre la preparación actual de PQC en TLS.
Aprendiendo a simular individuos a partir de señales sociales macro
Se propone aprender el razonamiento conductual de mercados de predicción para simular cómo los individuos responden a nuevas situaciones. Se introduce macro2mind, un modelo de lenguaje entrenado con GRPO usando señales de mercado para inferir y predecir las interacciones de los participantes. El modelo demuestra un rendimiento de vanguardia en benchmarks de simulación de usuarios y mejora la precisión de simuladores posteriores.
Estimación de contacto mediante visión y propiocepción para manipulación hábil en mano
Se presenta un marco multimodal basado en transformadores llamado NoContactNoWorries que fusiona visión RGB-D con la propiocepción del robot para inferir estados de contacto binario. Este enfoque busca ofrecer una alternativa escalable al hardware táctil para la estimación de contacto en interacciones mano-objeto. Los experimentos validan la capacidad del modelo para inferir contacto a partir de visión y propiocepción, lo que soporta agentes de aprendizaje por refuerzo para la reorientación de objetos.
Arena de hardware embebido: Optimización iterativa mediante retroalimentación de hardware
Se presenta una arena de agente hardware-in-the-loop para optimizar modelos de IA en hardware de borde, buscando resolver restricciones de memoria, potencia y temperatura. El método permite la optimización iterativa del modelo y el firmware mediante compilación y medición en hardware real. Se demuestra que esta formulación logra despliegues exitosos y una compresión significativa en modelos de visión y audio, superando resultados de expertos humanos.
LEMMO: Un modelo electromagnético grande que aprovecha LLMs preentrenados para la comprensión de señales con millones de muestras
Se presenta LEMMO, un modelo de EM grande diseñado para el reconocimiento y la descripción guiados por instrucciones de grabaciones IQ largas sin procesar. Este modelo procesa hasta ocho millones de muestras complejas mediante un codificador de atención lineal y remuestreo temporal. LEMMO mejora significativamente la precisión en tareas de reconocimiento y descripción de señales EM en comparación con modelos previos. Se libera un corpus unificado de señales EM reales y sintéticas para investigación.
Guía de flujo que conserva la probabilidad
Se analiza la guía en modelos generativos basados en difusión y flujo, enfocándose en la Guía sin Clasificador (CFG) y métodos basados en extrapolación. Se demuestra que la Guía de Manifold Adaptativa (AdaMaG) mejora el realismo y reduce artefactos visuales en la generación de imágenes bajo guía fuerte.
Ejecución en tiempo real con políticas autorregresivas
Se demuestra que las políticas autorregresivas pueden lograr la ejecución en tiempo real ajustando el horizonte de tokenización y aplicando decodificación restringida. Estos métodos garantizan límites de latencia estrictos que permiten la decodificación de múltiples trayectorias para maximizar el rendimiento. Los resultados indican que las políticas autorregresivas superan a las políticas de *flow-matching* en velocidad de finalización de tareas.
Evaluación de la robustez del descubrimiento causal de series temporales en escenarios mal especificados
Se presenta CausalCompass, un marco de puntos de referencia para evaluar la robustez de métodos de descubrimiento causal de series temporales (TSCD) ante violaciones de suposiciones de modelado. Los resultados indican que los enfoques basados en aprendizaje profundo suelen tener el mejor rendimiento en la mayoría de los escenarios evaluados. El trabajo busca facilitar la adopción de estos métodos en aplicaciones del mundo real mediante una evaluación sistemática.
Hoy el trabajo de hoy, la fuerza laboral del mañana: Incentivando el aprendizaje en el trabajo asistido por IA
El artículo analiza cómo la asistencia de la Inteligencia Artificial afecta el desarrollo y retención de habilidades en el trabajo. Se compara a trabajadores que priorizan la utilidad inmediata con trabajadores estratégicos que valoran sus habilidades futuras. Se concluye que las organizaciones deben enfocarse en cómo mantener la experiencia humana y qué habilidades invertir para asegurar la sostenibilidad del trabajo independiente.