Buscar noticias

Buscá por texto y descubrí noticias relacionadas con tu consulta.

Noticias relevantes

Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.

Shield ayuda a los técnicos a transferir el trabajo de portales heredados con OpenAI

Shield ha desarrollado Forge, un sistema operativo de IA que utiliza GPT-6 Astra para ayudar a los agentes de soporte de TI a manejar tareas en portales y sistemas heredados. Esto permite a los agentes realizar tareas que antes requerían la intervención manual de un técnico, mejorando la velocidad de resolución y la satisfacción del cliente. Se reporta una mejora de entre 35% y 40% en la velocidad de ejecución y una menor tasa de fallos.

Periodista: Firma no identificada

Personas mencionadas

CrowdStrike lanza un interruptor de apagado de IA que afirma poder detener agentes malintencionados y más

CrowdStrike ha lanzado el 'AI Kill Switch' en su producto Falcon Guardian para detener y aislar agentes de IA malintencionados. Esta nueva función otorga a los administradores humanos el control directo para terminar la actividad sospechosa y asegurar la seguridad de la IA en entornos empresariales. La herramienta busca poner la seguridad en manos de los usuarios para controlar el comportamiento de los agentes de IA.

Periodista: Sead Fadilpašić

Personas mencionadas

El nuevo 'Interruptor de Apagado' de IA de CrowdStrike detiene a los agentes de IA rebeldes?

CrowdStrike ha anunciado nuevas capacidades de seguridad para agentes de IA, incluyendo un "Interruptor de Apagado de IA" que permite a los equipos de seguridad terminar, bloquear y cortar el acceso a la red de agentes maliciosos. Además, la compañía adquirió Fiddler AI para mejorar la observabilidad y explicabilidad de los agentes de IA. Esto busca proporcionar control humano sobre la seguridad de la IA y asegurar que los agentes se comporten según lo previsto a través de pruebas rigurosas.

Periodista: EditorDavid

Primer Ministro anuncia protección más estricta para la IA para frenar riesgos crecientes

El primer ministro ha anunciado una protección más estricta para la inteligencia artificial y un regulador dedicado para contener los peligros potenciales. Esta medida busca contener los riesgos emergentes relacionados con la IA.

Periodista: Firma no identificada

Personas mencionadas

No se identificaron personas.

Nasdaq considera deslistar a la empresa de IA

La IA hace que los ciberataques sean más rápidos y automatizados, por lo que las organizaciones deben enfocarse en limitar el impacto de las intrusiones. Es crucial conocer qué sistemas y datos son protegidos y qué está expuesto para priorizar la defensa. Se recomienda implementar entornos de TI bien planificados que permitan aislar partes afectadas y mejorar continuamente la capacidad de detección de anomalías.

Periodista: Nyhetsbyrån Direkt

Personas mencionadas

Cisco defiende a velocidad de máquina con OpenAI

Cisco está integrando la inteligencia de red con los modelos de OpenAI para mejorar la defensa contra ataques impulsados por IA. La compañía busca utilizar la IA para correlacionar señales a escala masiva, lo que permite a los defensores detectar patrones y responder a vulnerabilidades más rápido. Esto incluye la implementación de controles distribuidos en microservicios y la mejora de la capacidad de respuesta ante la velocidad de los ataques.

Periodista: Jeetu Patel

Personas mencionadas

Signal restringe la posibilidad de capturas de pantalla para impedir que las agencias de IA lean conversaciones privadas

Signal ha reconocido que sus nuevas medidas de protección son incompletas y ha solicitado a los proveedores de sistemas operativos (Apple, Google, Microsoft) que proporcionen herramientas para impedir que las agencias de IA accedan a datos sensibles. La compañía también ha implementado configuraciones para bloquear las capturas de pantalla en dispositivos, debido a la preocupación por la amenaza que representan las integraciones de IA en los sistemas operativos.

Periodista: News.ro

Personas mencionadas

Shadow AI: la inteligencia artificial que las empresas no ven

La práctica de usar herramientas de inteligencia artificial sin la autorización de la empresa, conocida como Shadow AI, está generando un conflicto entre la adopción rápida de estas tecnologías y las restricciones de ciberseguridad. Se destaca la necesidad de que las organizaciones establezcan políticas claras para regular el uso de IA, ofreciendo soluciones empresariales seguras y capacitando al personal. El Estado está comenzando a establecer marcos regulatorios, como el Código de Ética de la IA para servicios públicos, para equilibrar la productividad con la protección de la información confidencial.

Periodista: Mite Nishio

Personas mencionadas

Crowdstrike da a las empresas un 'interruptor de apagado' para agentes de IA mal comportados

Crowdstrike introdujo un nuevo interruptor de apagado para detener agentes de IA mal comportados, permitiendo a los equipos de seguridad terminar su operación y cortar su acceso a la red. Esta medida busca abordar las preocupaciones de seguridad relacionadas con la adopción de agentes de IA, coincidiendo con otros esfuerzos de la industria para mejorar la seguridad de la IA. El CEO de Crowdstrike señaló que esto es una oportunidad de mercado y una forma de asegurar que los agentes operen de manera segura.

Periodista: Tech Desk

CrowdStrike presenta un interruptor de apagado para IA

CrowdStrike presentó un interruptor de apagado para IA en su feria Fal.Con Europe, diseñado para detener agentes de IA que se desvían de su comportamiento. El sistema permite a los administradores activar la restricción del acceso a modelos de IA, aunque también se planea una activación automática mediante Charlotte AI para asegurar el comportamiento conforme a las normas.

Periodista: Kornelius Kindermann

Personas mencionadas

Noticias encontradas

Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.

Resultados para «Shield AI»

Más recientes primero · Hasta 30 noticias por página

Modelos de aprendizaje de acción con efectos condicionales y cuantificados mediante exploración guiada por incertidumbre

Se presenta el Aprendizaje de Modelos de Acción Condicional Online Guiado por Hipótesis (OHCAM), un enfoque en línea para aprender modelos de acción con efectos condicionales y cuantificados. Este método reduce la incertidumbre seleccionando acciones informativas y es robusto al ruido de observación. Los experimentos validan que OHCAM es eficiente en muestras y aplicable en entornos reales con robots.

Periodista: Jeffrey Jewett, William Solow, Sandhya Saisubramanian

Personas mencionadas

Evaluación de modelos del mundo generados por LLM para el razonamiento neuro-simbólico

Se evalúan modelos del mundo generados por LLM para el razonamiento neuro-simbólico, examinando si pueden ser juegos estocásticos parcialmente observables. Se analiza la validez mecánica y el acuerdo estructural de estos modelos en escenarios de juego, situacionales y culturales. Los resultados indican que la validez mecánica es necesaria pero insuficiente para que los modelos generados por LLM representen fielmente el problema de decisión previsto.

Periodista: Souhaila Djaffal, Amna Jamal, Gagana Madhugiri Devaraja, Anidipta Pal, Jobst Heitzig

Personas mencionadas

No se identificaron personas.

ALTO: Violencia basada en género facilitada por tecnología en África y Levante

Se desarrolló un enfoque comunitario para hacer crowdsourcing de instancias de violencia basada en género facilitada por tecnología (TFGBV) en árabe levantino, francés africano y suajili, en colaboración con organizaciones de la sociedad civil de Jordania, África Occidental francófona y Kenia. Se creó un conjunto de datos llamado ALTO para mejorar la detección de este tipo de violencia en estos idiomas. Los experimentos indican que los modelos existentes tienen un rendimiento deficiente y mejoran con el ajuste fino, aunque los errores son mayores en suajili.

Periodista: Tianwei Zhang, Ivy Njoki Nyagwencha, Zahraa Dirani, Shalini Joshi, Scott A. Hale

Personas mencionadas

Retroalimentación procesable: Mejorando las capacidades del modelo a partir de datos editados por el usuario en documentación clínica

Se aborda el desafío de utilizar las ediciones realizadas por clínicos en documentación clínica para mejorar los modelos de lenguaje grandes (LLMs). Se demuestra que una parte significativa de estas ediciones no es retroalimentación procesable y que el entrenamiento directo puede provocar alucinaciones en el modelo. Se propone un método para generar datos de edición semi-sintéticos y métodos de filtrado para identificar ediciones accionables, mejorando la alineación del modelo sin perder la fidelidad al contexto.

Periodista: Daniel P. Jeong, Yewon Byun, John Giorgi, Peng Xu, Zachary C. Lipton, Michael Oberst

Personas mencionadas

Discretización de valor hacia adelante: Muestreo estocástico más rápido sin aproximación de orden superior

Se presenta la discretización de valor hacia adelante, un marco sin entrenamiento que evalúa el modelo de predicción de datos/ruido en una estimación de mirada hacia adelante basada en predicciones previas. Se desarrolla el F-DDPM para el muestreo estocástico, que logra un FID menor que las líneas base estocásticas en presupuestos de NFE comparables. Ambas variantes demuestran convergencia de primer orden con una evaluación del modelo por iteración, reduciendo la brecha de eficiencia entre métodos estocásticos y deterministas.

Periodista: Yuchen Jiao, Na Li, Changxiao Cai, Yuting Wei, Gen Li

Personas mencionadas

La alineación de la IA no es ni resoluble ni suficiente

La alineación de la Inteligencia Artificial, que busca asegurar que los sistemas actúen conforme a los valores humanos, se considera un desafío central pero no resoluble. Se argumenta que la alineación no está bien definida y que resolverla no mitigará los riesgos derivados de las interacciones complejas entre humanos y máquinas. Se concluye que la seguridad de la IA es un desafío continuo y no un problema que se pueda solucionar de forma definitiva.

Periodista: Gerrit Großmann

Personas mencionadas

Mitigación de fugas de datos privados en LLMs con Whiteout

Se presenta Whiteout, una herramienta práctica diseñada para prevenir que los modelos de lenguaje grandes (LLMs) regurgiten información personal sensible (PSI) de usuarios, como fechas de nacimiento o direcciones, al ser solicitados. La herramienta sobrescribe esta información con muestras de ofuscación para mitigar riesgos de privacidad. Los resultados indican que Whiteout previene la divulgación de PSI, mantiene la utilidad y seguridad del modelo, y supera a métodos de mitigación existentes.

Periodista: Anna Yoo Jeong Ha, Ronik Bhaskar, Haitao Zheng, Ben Y. Zhao

Personas mencionadas

Examinando el impacto de los métodos de datos y entrenamiento en el desalineamiento emergente y subliminal

El estudio examina cómo los métodos de entrenamiento y los datos influyen en el desalineamiento emergente (EM) y el aprendizaje subliminal (SL) en modelos de lenguaje. Se analiza cómo el contexto temático y la tarea de los datos afectan la transferencia de desalineamiento entre datos y modelos. Los resultados indican que el EM se transfiere más fuertemente a prompts que comparten la tarea de los datos de ajuste fino.

Periodista: Baris Askin, Muhammed Ustaomeroglu, Anupam Nayak, Gauri Joshi, Guannan Qu, Carlee Joe-Wong

Personas mencionadas

SplitLite: Compresión Residual de Bajo Rango para Aprendizaje Dividido

Se presenta SplitLite, un método de ajuste fino federado LoRA que busca reducir los costos de comunicación en el aprendizaje dividido de LLMs en dispositivos. El método explota la estructura de bajo rango de los residuos de activación y gradiente para transmitir solo factores SVD truncados, logrando reducciones significativas en los costos de comunicación sin afectar el rendimiento del modelo. Los experimentos demuestran una reducción de hasta el 93.5% en los costos de comunicación de subida de activación.

Periodista: Tao Li, Yulin Tang, Qi Guo, Xianhao Chen

Personas mencionadas

Prune-and-Merge: Escalado sin entrenamiento de Vision Transformers

Se presenta Prune-and-Merge ViT, un marco sin entrenamiento para reducir la redundancia en Vision Transformers mediante poda basada en atención y fusión basada en similitud. Este método busca mejorar la eficiencia computacional manteniendo la robustez y la precisión de los modelos existentes. El análisis demuestra que la reducción híbrida de tokens mantiene la estabilidad de la predicción ante transformaciones comunes de imágenes.

Periodista: Vatsal, Soumil Malhotra, Priyanshu Chahal, Sanjeev Kumar

Personas mencionadas

Modelos del Mundo de Einstein

Se propone el Modelo del Mundo de Einstein (EWM) para sistemas de razonamiento basados en LLM, integrando simulaciones visuales-temporales en la traza de razonamiento. Este enfoque busca mejorar las capacidades de razonamiento de los LLMs al permitirles considerar fenómenos complejos que el lenguaje no puede capturar completamente. Los EWMs extienden la capacidad de los LLMs para usar herramientas, incorporando experimentos mentales visuales en su proceso de razonamiento.

Periodista: Munachiso Samuel Nwadike, Zangir Iklassov, Ali Mekky, Zayd M. Kawakibi Zuhri, Kentaro Inui

Personas mencionadas

No se identificaron personas.

Cuantización conjunta y particionamiento dinámico para transformadores de visión en el borde

Se propone un marco de orquestación en el borde para gestionar conjuntamente la computación y la comunicación V2V en vehículos conectados y automatizados. El método reduce la energía de comunicación V2V en un 33.3% al 36.0% y disminuye la latencia de finalización de la tarea hasta en un 34.0% en ciertas configuraciones. Esto se logra mediante la selección conjunta de puntos de partición y asignación de precisión mixta.

Periodista: Zhu Jiaqi, Jain Prakriti, Katare Dewant, Kumar Saurabh

Personas mencionadas

LeapQuant: Atención Lineal Eficiente con Cuantización de Estado Recurrente Precisa

Se presenta LeapQuant, un método sin entrenamiento que logra un rendimiento casi sin pérdidas con cuantización de estado recurrente de 8 bits para modelos LLM que usan atención lineal. El método aborda la acumulación de errores mediante cuantización por ventana y conserva valores atípicos como tokens compensadores para reducir el error. Los experimentos demuestran que LeapQuant reduce significativamente los costos de memoria y cómputo durante la inferencia, ofreciendo ganancias de velocidad comparables a la precisión FP32.

Periodista: Yi Pan, Haocheng Xi, Kan Zhu, Xingyang Li, Yibo Wu, Mayank Mishra, Hongtao Zhang, William X. Zheng, Baris Kasikci, Song Han, Kurt Keutzer, Rishabh Iyer, Ion Stoica

Entendiendo los modelos de lenguaje Mixture-of-Experts más allá de los límites de los expertos

El artículo investiga la organización a nivel de neurona en modelos Mixture-of-Experts (MoE) utilizando la medida RAMP. Se encontró que los conjuntos de neuronas especializadas por dominio muestran un solapamiento significativamente mayor en muestras del mismo dominio que entre diferentes dominios. Se propone un método de poda (RAMPr) para seleccionar neuronas y preservar el rendimiento del modelo.

Periodista: Zhenhong Zhou, Mao Zheng, Mingyang Song, Qiankun Li, Kun Wang, Junfeng Fang

Personas mencionadas

BuySideFlow: Un punto de referencia en el momento para agentes de LLM en investigación de inversión

Se presenta BuySideFlow, un punto de referencia para evaluar agentes de LLM en investigación de inversión, centrándose en la validez en el momento (PIT). El estudio evalúa tareas derivadas por profesionales en chino en áreas como acciones, fondos y macroeconomía. Los resultados indican que la concordancia del resultado no garantiza la validez temporal de los datos.

Periodista: Dong Bo, Fanjin Zhang, Ke Cheng, Xinxin Zhao, Xiaowei Su, Yang Wang, Jinghang Xu, Cuiping Li, Hong Chen, Jing Zhang

Personas mencionadas

AURA: Inteligencia Espacial Auditiva a través de una Representación Unificada desde un Codificador de Audio General mediante Alineación Completa

Se presenta AURA, un modelo que utiliza un codificador de audio general entrenado sin supervisión espacial para responder preguntas espaciales sobre escenas de múltiples fuentes. El estudio demuestra que el modelo mantiene información espacial y supera a sistemas dedicados en precisión de dirección de doble fuente.

Periodista: Boyan Han, Xiaoyan Wang, Zhe Sun, Ziqi Wang, Yujun Cai, Hongli Cao, Yiwei Wang, Ming-Hsuan Yang, Liang An

Personas mencionadas

No se identificaron personas.

¿Cuánto de su VLA es kNN?

Un estudio demuestra que la recuperación de demostraciones cercanas y la reutilización de sus fragmentos de acción alcanzan un 91.7% de éxito en el benchmark LIBERO sin entrenamiento de políticas. Se investiga cómo el rendimiento de los modelos VLA se relaciona con la generalización de las demostraciones de entrenamiento. Además, se introduce la métrica LAC para medir la consistencia de acción local y guiar el entrenamiento de claves de recuperación.

Periodista: Denis Grachev, Damien LaRocque, Omar Moured

Personas mencionadas

Elucidación de los parámetros de un modelo de clasificación multicriterio

Se presenta un trabajo sobre la elicitación de parámetros para el modelo de Clasificación No Compensatoria (NCS) en el contexto de la ayuda a la toma de decisiones multicriterio (MCDA). Se proponen algoritmos de interrogación basados en algoritmos de exploración de grafos y dicotomía para determinar los parámetros del modelo. El estudio también compara la generalidad del modelo NCS frente a MR-Sort.

Periodista: Eda Ersek Uyanik

Personas mencionadas

Decidir, Preguntar o Deferir: LLMs Clínicos bajo Evidencia Incompleta

Se evalúan modelos de lenguaje grandes (LLMs) clínicos (Qwen, Gemini, GPT) en la toma de decisiones diagnósticas bajo evidencia clínica incompleta. Se compara el rendimiento de diferentes formulaciones de decisión (DECIDE/ASK/DEFER) para determinar si la adquisición de información afecta la decisión autónoma. Los resultados indican diferencias significativas en la selección de acciones entre los modelos, revelando un compromiso entre la precisión diagnóstica y la seguridad de la decisión.

Periodista: Mingzhan Yang, Weili Wu

Personas mencionadas

Sincronización eficiente de LoRA para entrenamiento on-policy distribuido

Se presenta un marco llamado HiLo para mejorar la sincronización de adaptadores LoRA en el entrenamiento on-policy distribuido, abordando el cuello de botella de la transmisión de parámetros. Se introduce Spar, un compresor de gradientes que desacopla el rango de entrenamiento del costo de comunicación, logrando una transmisión eficiente y acelerando las actualizaciones hasta 2.2 veces.

Periodista: Shenghui Li, Li Ju, Thiemo Voigt

Personas mencionadas

De la arquitectura al resultado: Probando los orígenes estructurales de la alucinación y el papel amplificador de los datos

Se investigan los orígenes estructurales de la alucinación en modelos de lenguaje, examinando cómo la estructura del modelo y los datos influyen en los errores de salida. Se prueban intervenciones que modifican la arquitectura del modelo para determinar cómo los defectos en la entrada se traducen en errores de salida. Se concluye que el componente de mezcla y el compromiso determinan si un defecto contextual se convierte en un error y cómo se propaga el error.

Periodista: Md. Rejaul Korim Sadi, Toufiqur Rahman Tasin, Golam Mostofa Naeem

Personas mencionadas

PhysMoE: Grounding Espacial Rápido con Representación de Coordenadas de Token Único en VLMs Modales Desacoplados

Se presenta PhysMoE, una propuesta para mejorar la predicción de coordenadas en tareas de *grounding* dentro de Modelos de Lenguaje-Visión Encarnados (VLMs). La propuesta aborda los problemas de la tokenización discreta y la regresión de puntos, introduciendo mecanismos para alinear coordenadas con características visuales y facilitar el entrenamiento. PhysMoE logra una mejora del 15.7% en la ganancia y una aceleración de velocidad de 8.31x en benchmarks de *grounding*.

Periodista: Ruimeng Liu, Denan Liang, Ruofei Bai, Fuming Zhang, Kuan Xu, Shenghai Yuan, Lihua Xie

Personas mencionadas

Pruning y destilación de Mixture-of-Experts a modelos de lenguaje densos

Se presenta un marco sistemático para convertir modelos Mixture-of-Experts (MoE) entrenados en arquitecturas densas estándar mediante la puntuación, selección y agrupación de expertos. Se demuestra que el método de puntuación es el factor más influyente, superando a métodos previos en la comparación de modelos como Qwen3-30B-A3B. El método MoE-a-denso mostró una mejora de +6.3 puntos porcentuales en precisión de *downstream* comparado con el *pruning* denso-a-denso.

Periodista: Junhyuck Kim, Jihun Yun, Haechan Kim, Gyeongman Kim, Joonghyun Bae, Jaewoong Cho

Personas mencionadas

Visualizaciones gráficas en prompts para la respuesta a preguntas de grafos de conocimiento

Se estudia cómo la entrada multimodal mejora la respuesta a preguntas de grafos de conocimiento (KGQA) en modelos vision-lenguaje grandes. Se encontró que añadir una imagen de gráfico aumenta la precisión en preguntas de baja complejidad, siempre que el diseño visual respete las restricciones cognitivas. Se sugiere implementar políticas de prompting visual adaptativas para optimizar la precisión y la eficiencia de inferencia.

Periodista: Luiz do Valle Miranda, Andreas L. Opdahl, Grzegorz J. Nalepa

Personas mencionadas

Recapitulación: Aprendizaje prototipo Hebbiano local como lectura autoorganizada para dinámica de reservorio

Se presenta RECAP, una estrategia de aprendizaje bioinspirada para clasificación robusta de imágenes que combina dinámicas de reservorio no entrenadas con un mecanismo de lectura de prototipo Hebbiano autoorganizado. Este método evita la retropropagación de error y permite actualizaciones de prototipos en línea, demostrando robustez bajo corrupciones en el conjunto de datos MNIST-C.

Periodista: Heng Zhang

Personas mencionadas

StakeBench: Evaluando la comprensión del lenguaje fundamentada en el compromiso de mercado

Se presenta StakeBench, un marco de evaluación para la comprensión del lenguaje basado en el compromiso de mercado. Este marco utiliza datos de mercados resueltos para medir la capacidad de los modelos de lenguaje para detectar el compromiso de mercado y predecir acciones futuras. Los resultados indican que los modelos recuperan parcialmente las señales de posición, aunque presentan fallos estructurales en tareas más complejas de anticipación de acciones.

Periodista: Yunhua Pei, Jingyu Hu, Yiwei Shi, Hongnan Ma, Weiru Liu, John Cartlidge

Personas mencionadas

Asesoramiento persistente amplio en aprendizaje por refuerzo interactivo mediante codificación de estado latente

Se propone el Encoder BPA para el Aprendizaje por Refuerzo Interactivo Profundo, que permite almacenar y reutilizar el asesoramiento en memoria persistente mediante generalización de estado basada en K-means. Los resultados experimentales indican que este método mejora la eficiencia del aprendizaje y la utilización del asesoramiento en etapas tempranas del entrenamiento, especialmente en entornos complejos.

Periodista: Zhuoran Liang, Francisco Cruz

Personas mencionadas

ADIndex: Indexación de Atención Esparsa Adaptativa a Nivel de Grupo

Se presenta ADIndex, un método de indexación adaptativo y basado en destilación para atención esparsa a nivel de token, diseñado para reducir el costo computacional en la inferencia de contexto largo. Los experimentos demuestran que ADIndex ofrece ganancias significativas en velocidad, incluyendo aceleraciones de hasta 6.22x en el prefill y 3.40x en la decodificación, manteniendo un rendimiento de tarea casi sin pérdidas.

Periodista: Jin-Fei Qi, Yiduo Li, Jiang-Xin Shi, Kan Liu, Tao Lan, Hanlin Tang, Yu-Feng Li

Personas mencionadas

Estudio dinámico de la teoría de conjuntos suaves y sus extensiones

El texto es un estudio exhaustivo de la teoría de conjuntos suaves y sus extensiones, como conjuntos suaves hiper y dinámicos. El libro busca refinar la rigurosidad matemática, distinguir definiciones y abordar inconsistencias en la literatura existente.

Periodista: Takaaki Fujita, Florentin Smarandache

Personas mencionadas

Tercer ojo: Más allá de las ganancias inmediatas en la auto-mejora recursiva

Un estudio evalúa el rendimiento de modelos de lenguaje (Qwen3-4B/Llama-3.2-3B) en tareas de matemáticas y código, analizando el impacto de las actualizaciones recursivas. Los resultados sugieren que la utilidad inmediata de la selección es cercana a cero, aunque la continuación reduce esta utilidad. El estudio concluye que las actualizaciones persistentes deben evaluarse como transiciones de adaptación, no solo por el rendimiento inmediato.

Periodista: Sujato Dutta, Padala Indira Sneha, Kypu Mahitha, Shashank Vanga, Neeraj Choudhary

Personas mencionadas