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
Creación de tu propia pila de trabajo: Despliegue de IA y herramientas autoalojadas en una startup tecnológica
Se reporta la experiencia de despliegue de una pila híbrida de IA en una empresa de software, buscando reducir los costos de uso de IA comercial. Se utilizó un enfoque mixto donde los modelos locales manejan tareas de menor complejidad, complementando a los agentes comerciales para tareas complejas. Se estima que esta estrategia podría reducir el costo o el uso de IA comercial en un 27% al 36%.
¿Los vectores de razonamiento lingüístico mejoran la capacidad de razonamiento multimodal?
Se propone el método LIFT para transferir la capacidad de razonamiento del LLM base a los VLMs sin reentrenar la arquitectura base. Los resultados demuestran que los vectores de razonamiento derivados del LLM superan a los derivados del VLM, confirmando la efectividad del LLM base para recuperar la capacidad de razonamiento. LIFT logra una recuperación parcial del razonamiento mediante intervenciones ligeras del lado del lenguaje.
Instanciando el Plano del Conocimiento
Se propone el "Plano del Conocimiento", una capa de agentes inteligentes para gestionar Internet colaborativamente a través de límites administrativos. Se argumenta que los modelos de lenguaje grandes agenticos podrían desbloquear este potencial, aunque esto requiere resolver nuevos problemas de investigación en entornos descentralizados y multiagente.
Enseñar la forma en que piensa: Guía la ingeniería de datos post-entrenamiento de LLM con Autoencoders Esparso
Se propone SAERL para la ingeniería de datos de LLM mediante Autoencoders Esparso (SAE) para guiar el aprendizaje por refuerzo. Esta técnica utiliza los internos del modelo para organizar los datos de entrenamiento, entrenando regiones funcionales de fácil a difícil. Los experimentos demuestran mejoras en la precisión de modelos de razonamiento matemático.
LAPLEX: La transformada rápida de álgebra lineal en kernels laplacianos aprendibles
Se presenta LAPLEX, una clase de operadores de kernel laplaciano exactos y entrenables, diseñada para superar el compromiso entre geometría fija y cómputo exacto. Esta técnica permite realizar operaciones de matriz-vector entrenables en dimensiones muy grandes y facilita modelos de covarianza de alta dimensión sin requerir el almacenamiento de matrices densas. LAPLEX separa la expresividad del costo de almacenamiento, permitiendo interacciones globales adaptativas a los datos.
Descubrimiento de invariantes para sistemas en red
Se presenta Autogram, un sistema que utiliza un LLM para inspeccionar metadatos de variables y predecir relaciones sintácticas que forman una gramática para descubrir invariantes en sistemas de red. El sistema permite refinar la gramática iterativamente hasta que se recuperan invariantes conocidos con garantías formales. Se evaluó el sistema en telemetría WAN pública y de producción, logrando recuperar invariantes derivados por expertos con baja tasa de falsos positivos.
No se identificaron personas.
GigaBrain-WBC-0.5: Un Modelo de Mundo de Comportamiento para el Seguimiento Robusto del Cuerpo Completo Humanoide con Interacción Ambiental
Se presenta InterTrack, un modelo de mundo de comportamiento (BWM) diseñado para el seguimiento robusto del cuerpo completo en robots humanoides con interacción ambiental. Este modelo utiliza un Transformer para predecir la acción, el estado y la distribución de comportamiento, aprendiendo dinámicas condicionadas por el entorno. El sistema demuestra un 81.3% de éxito en la interacción del terreno y una alta tasa de recuperación de caídas, superando a las líneas base existentes en varios escenarios.
Optimización de Política Vectorial: El entrenamiento para la diversidad mejora la búsqueda en tiempo de prueba
Se presenta la Optimización de Política Vectorial (VPO), un algoritmo de RL que entrena modelos de lenguaje para generar soluciones diversas al anticipar funciones de recompensa vectoriales. VPO supera a las líneas de base escalares en tareas de búsqueda en tiempo de prueba y desbloquea problemas insolubles para otros modelos. El objetivo es hacer que la diversidad sea el objetivo por defecto en la búsqueda de inferencia.
Modelado de mundo multiagente escalable a través de geometrías de escena
Se propone Khora, un modelo de mundo multiagente escalable que permite la expansión en tiempo de inferencia a un número arbitrario de agentes sin necesidad de reentrenamiento. El marco desacopla la evolución del estado del mundo del renderizado visual, manteniendo la consistencia entre vistas mediante un estado del mundo compartido. Esto permite una escalabilidad práctica lineal con el número de vistas consultadas, demostrando consistencia visual y coherencia multiagente.
La verdad sin muestrear: Cuantificando artefactos de indicaciones en la psicometría de LM
Investigadores probaron una premisa al evaluar cómo las respuestas de los modelos de lenguaje reflejan la personalidad inyectada y el significado de los ítems de una encuesta. Mediante un diseño diagnóstico, se midió la variación causada por diferentes componentes de la indicación (como la instrucción de la tarea o el símbolo de la opción) para separar estos artefactos de los efectos reales. Se encontró que los cambios no semánticos en la indicación pueden generar más variación en las respuestas que las personalidades base.
No se identificaron personas.
Slop e alucinaciones de IA en la evaluación de vulnerabilidades: Un estudio sobre fallos de razonamiento y mitigación confiable
La integración de Modelos de Lenguaje Grande (LLMs) en la ciberseguridad ha generado una crisis de confiabilidad debido a la proliferación de "AI slop", que incluye vulnerabilidades alucinadas y reportes de errores incorrectos. El estudio identifica la brecha entre el razonamiento deductivo de los expertos y la generación probabilística de los LLMs. Se propone la verificación neuro-simbólica activa y nuevos instrumentos de evaluación para asegurar los sistemas de triaje impulsados por IA.
Modelos generativos Volterra mediante Elevación de Markov
Se desarrolla un modelo generativo basado en procesos de Volterra para abordar la dependencia temporal flexible, ofreciendo aproximaciones de Markov. El marco propuesto permite reutilizar denoiseadores preentrenados y logra buenos índices FID en conjuntos de datos como MNIST y CIFAR-10. Los resultados muestran mejoras en el FID al utilizar técnicas de autoguidancia y redes preentrenadas.
Distilación de política orientada al valor para el control de potencia de parques eólicos
Se propone un marco de distilación de política utilizando máquinas de boosting explicables para el control de potencia de parques eólicos, buscando una política transparente. Se introduce una perspectiva orientada al valor inspirada en la previsión de energía y se incluye conocimiento experto para justificar la estrategia de control. Los resultados con datos reales de la red belga mostraron una reducción del 82% en los costos de desequilibrio.
RLVR$^{2}$: Aprendizaje por Refuerzo con Clasificación basada en Rúbricas Verificables
Se presenta el Reinforcement Learning with Verifiable Rubric-based Ranking (RLVR$^2$), un paradigma de clasificación verificable para RLVR basado en rúbricas. Este método convierte las puntuaciones de rúbrica en resultados ordinales específicos para cada criterio, recupera una utilidad latente y fusiona estas utilidades en una señal de entrenamiento. RLVR$^2$ supera a las líneas base basadas en rúbricas en múltiples benchmarks, controlando efectos sistemáticos mientras mantiene el objetivo de calidad.
Aprendizaje por refuerzo consciente de la estructura para la evolución dirigida de proteínas
Se presenta StructEvo, un marco de aprendizaje por refuerzo consciente de la estructura diseñado para la evolución dirigida de proteínas. Este método integra información estructural mediante un codificador de fusión de estructura delta para incorporar conocimiento espacial. El enfoque supera a métodos previos en benchmarks de optimización, validando la guía estructural para la evolución de proteínas.
No se identificaron personas.
AttnSR: Recompensa de Paso para Agentes RL de Horizonte Largo
Se presenta AttnSR, un método de aumento de recompensa a nivel de paso para agentes LLM de horizonte largo, que utiliza la atención de la política extraída durante el entrenamiento para asignar recompensas. Este método superó a la línea base PPO en el entorno ALFWorld, mejorando el éxito final del 91.2% al 97.1%. Los resultados sugieren que la atención de la política es una prioridad práctica para la asignación de recompensas en RL de horizonte largo.
Tecnohibridismo: Normalización Semántica Recursiva en Sociedades Mediadas por IA
El artículo desarrolla un enfoque sociotécnico sobre cómo los resultados generados por IA reingresan en las prácticas comunicativas e institucionales. Introduce el concepto de normalización semántica recursiva, analizando cómo las formulaciones generadas por máquinas se incorporan y transforman en regularidades semánticas. Se argumenta que la unidad de análisis es el sistema semántico híbrido, una configuración de prácticas humanas, generación computacional y adopción institucional.
No se identificaron personas.
Grounding en la oscuridad: Entrenamiento solo con texto para localización temporal de video
Se investiga si un LLM solo con texto puede realizar localización temporal de video utilizando descripciones textuales, eliminando la necesidad de datos de video emparejados durante el entrenamiento. Se propone el método NER (Reemplazo de Entidad Vecina) para mapear fotogramas de video a entidades textuales, logrando mejores resultados en métricas de localización temporal. El estudio demuestra que el NER permite una transferencia parcial de información de texto a video.
EcoGEO: Ecosistemas de Evidencia Sensibles a la Trayectoria para Agentes de Búsqueda LLM habilitados para la Web
Se propone EcoGEO, un enfoque para la Optimización de Motor Generativo (GEO) que considera la influencia a nivel de entorno para agentes LLM que navegan por la web. El método TRACE coordina páginas de soporte para mejorar la adquisición de evidencia en tareas de recomendación de productos. Los resultados demuestran que este enfoque supera a los métodos basados en páginas individuales en métricas de recomendación.
ASTRA-bench: Evaluando el razonamiento y la planificación de acción de agentes con uso de herramientas y contexto de usuario
Se presenta ASTRA-bench, un benchmark diseñado para evaluar el razonamiento y la planificación de acción de agentes de IA que utilizan herramientas y contexto personal. El benchmark unifica el contexto personal evolutivo con una caja de herramientas interactiva para generar 2,413 escenarios. Los resultados indican una degradación significativa del rendimiento de modelos de vanguardia bajo alta complejidad, señalando limitaciones en la capacidad de los agentes para fundamentar el razonamiento en contextos personales complejos.
Taming the Entropy Cliff: Cuantización de tamaño de código variable para generación visual autoregresiva
Se propone la Cuantización del Tamaño del Código Variable (VCQ) para mejorar la generación visual autoregresiva al abordar el problema del "Acantilado de Entropía". Esta técnica permite que el tamaño del libro de código crezca monótonamente a lo largo de la secuencia, lo que resulta en mejores métricas de FID en comparación con los métodos de código constante. Los resultados demuestran que la distribución de la capacidad del código es tan importante como su capacidad total.
Fuzzing de Alucinaciones Unificadas para Modelos de Lenguaje Grande Multimodales
Se presenta un marco de evaluación sistemático para abordar el desafío de las alucinaciones en Modelos de Lenguaje Grande Multimodales (MLLMs). El trabajo introduce UniHall, un conjunto de datos detallado, y SAMF, un marco de fuzzing autoadaptativo para explorar las fronteras de las alucinaciones. Los experimentos demuestran que los MLLMs de vanguardia muestran una degradación del rendimiento al someterse a fuzzing, evidenciando una desconexión entre el razonamiento y el fundamento fáctico.
El precio de la seguridad: Utilidad benigna y sobrecarga de tokens de defensas de envenenamiento de memoria en agentes LLM
El estudio evalúa el costo de utilidad benigna y la sobrecarga de tokens de las defensas de envenenamiento de memoria para agentes LLM cuando no hay ataques. Se probaron cuatro defensas en la mitad de LoCoMo, encontrando que la detección de anomalías y la condición apilada mejoraron la precisión. Se reporta el costo de tokens asociado a estas defensas, indicando que la detección de anomalías tuvo un 1.5% de sobrecarga.
Regresión Barycéntrica Profunda para la Estimación de Mapas de Transporte Óptimo y su Optimalidad Estadística
Se propone BROT (Regresión Barycéntrica para el Transporte Óptimo), un método de dos pasos que utiliza una red neuronal profunda para ajustar objetivos barycéntricos derivados del plan de transporte óptimo no regularizado. Se demuestra que el estimador basado en DNN alcanza la tasa de convergencia minimax cuando el mapa de transporte óptimo es Lipschitz. Los estudios numéricos indican que BROT ofrece estimaciones precisas y costes de transporte competitivos en comparación con métodos existentes.
FARR: Refinamiento de Residuales Sensible al Pronóstico con Evidencia de Punto Final para Pronósticos de Series Temporales a Largo Plazo
Se presenta el método FARR (Forecast-Aware Residual Refinement) para corregir pronósticos de series temporales a largo plazo utilizando evidencia de punto final. Este método busca mejorar la precisión de los pronósticos al ajustar los errores residuales basándose en el contexto temporal observado. Los experimentos demuestran que FARR supera a otros métodos en métricas clave como MSE y MAE.
EvoWorld: Hacia la evolución del mundo fuera de la vista en modelos de video generativos
Se propone EvoWorld, un marco de colaboración de renderizado cerebral que utiliza un modelo visión-lenguaje como cerebro del mundo para mantener un registro evolutivo y razonar sobre transiciones de estado plausibles. Este modelo mejora la evolución causal condicionada por eventos sobre modelos recientes, manteniendo la calidad visual y la coherencia. Se introducen también EvoWorld-Data y EvoWorld-Bench para el entrenamiento y la evaluación de estas capacidades.
Optimización de ruido inicial con restricciones de manifold para alineación eficiente de modelos generativos
Se presenta ZeNOVA, un método estable y eficiente para la alineación de ruido inicial en un marco libre de gradiente, diseñado para superar las limitaciones de los métodos existentes en escenarios de caja negra. Este método utiliza guía de valor suave anillada y dinámica de Langevin con restricciones de manifold para optimizar el ruido inicial hacia recompensas más altas de manera estable. Los experimentos demuestran que ZeNOVA supera a las líneas de base de orden cero en modelos generativos de imágenes y video.
Aprendizaje activo en contexto para modelos fundacionales tabulares
Se investiga el aprendizaje activo en contexto para Modelos Fundacionales Tabulares (TFMs) para mejorar la adquisición de datos etiquetados. El estudio evalúa la diversidad, la incertidumbre predictiva y la ganancia de información a medida que el modelo adquiere contexto. Se encontraron hallazgos sobre cuándo y dónde aplicar reglas de adquisición basadas en diversidad y vecino más cercano para optimizar el proceso de etiquetado.
Modelos del mundo como adversarios: Ajuste fino por auto-juego multi-agente para la planificación de movimiento robusta
Se propone el Modelado del Mundo Adversarial (AWM), un marco de ajuste fino por auto-juego multi-agente para lograr una planificación de movimiento robusta en tráfico denso. Este enfoque aborda las limitaciones de métodos previos al integrar el aprendizaje adversarial con planificadores autoregresivos. Los experimentos demuestran que el método genera interacciones adversarias transferibles y produce un planificador robusto con rendimiento competitivo en escenarios complejos.
SeVerus: Evaluación Gamificada y Contexto para la Verificación de Rust
Se presenta SEVERUS, una técnica consciente del contexto para generar benchmarks de Verus que organiza las tareas de verificación en misiones gamificadas. Esta técnica utiliza dependencias de prueba para crear niveles progresivos, desafiando a agentes de codificación con diferentes niveles de dificultad. Los experimentos demuestran que la retirada del contexto de la prueba afecta el éxito y el costo de los agentes.