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.

Periodista: Firma no identificada

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.

Periodista: Pierluigi Paganini

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).

Periodista: Firma no identificada

Personas mencionadas

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.

Periodista: TechNode Feed

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.

Periodista: Dr Eugene Ong

Personas mencionadas

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.

Periodista: Michele Steinberg

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.

Periodista: Firma no identificada

Personas mencionadas

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.

Periodista: OpenAI

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.

Periodista: EFE

Noticias encontradas

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

Resultados para «AI»

Más recientes primero · Hasta 30 noticias por página

Guía Best-of-N para Alineación en el Tiempo de Prueba

Se presenta Best-of-N Guidance (BoNG), un método que integra el muestreo Best-of-N en el proceso de difusión inversa para mejorar la alineación de las muestras generadas. BoNG ajusta el proceso de difusión para dirigir la población de partículas hacia regiones de mayor recompensa, logrando el mejor rendimiento en el 80.56% de las comparaciones. Este método también soporta capacidad de múltiples salidas con una aceleración de 1.6$\times$.

Periodista: Richard Lee Kim, Yeongmin Kim, Gyuwon Sim, Taekyu Kim, Minsang Park, Il-chul Moon

Personas mencionadas

Robustez de señales internas para la detección de alucinaciones en modelos vision-lenguaje

Se analiza la robustez de los métodos que utilizan señales internas de los modelos vision-lenguaje (VLM) para detectar alucinaciones en la generación de texto. Se demuestra que la dependencia de la posición del token puede reducir la robustez de los métodos de detección, especialmente cuando las alucinaciones ocurren al inicio de la respuesta. Se concluye que, aunque existen señales internas útiles, los métodos actuales tienen limitaciones significativas.

Periodista: Allison Chen, William Yang, Salma Abdel Magid, Jonathan Williams, Olga Russakovsky, Esin Tureci

Personas mencionadas

Ramificación Semántica Adaptativa: Regeneración de Trayectorias Cruzadas Localizadas por Desacuerdo para la Expansión de Candidatos de Razonamiento

Se presenta el método Adaptive Semantic Branching (ASB), un procedimiento de inferencia sin entrenamiento diseñado para convertir el desacuerdo entre trayectorias de razonamiento en generación de candidatos dirigidos. El método agrupa trayectorias por respuesta final y alinea sus pasos de razonamiento mediante un programa dinámico monótono. En una evaluación, ASB mejoró la cobertura de candidatos oráculo de 89.0% a 91.0%, recuperando candidatos correctos en problemas previamente no resueltos.

Periodista: Jeong-Yoon Kim, Tae-Yoon Lee

Personas mencionadas

Modelos de lenguaje grandes post-entrenamiento mediante aprendizaje por refuerzo a partir de retroalimentación interna

Se presenta el Aprendizaje por Refuerzo a partir de Retroalimentación Interna (RLSF), una etapa post-entrenamiento para modelos de lenguaje grandes (LLMs). Este método utiliza la confianza intrínseca del modelo como recompensa para refinar la calibración y fortalecer el razonamiento paso a paso. Los resultados muestran que esta técnica mejora el rendimiento en razonamiento aritmético y resolución de preguntas de opción múltiple sin necesidad de etiquetas humanas.

Periodista: Renato Vukovic

Personas mencionadas

Representación consciente de variables, no tipificación de relación, explica el rendimiento de un modelo de grafos de eventos para la predicción de mortalidad en la UCI

Se evaluó el rendimiento de un modelo de grafos de eventos para predecir la mortalidad en la UCI utilizando registros de pacientes. Se encontró que una representación consciente de variables mejoró significativamente el área bajo la curva ROC, mostrando mejoras en la predicción de mortalidad tanto en validación temporal como externa. El modelo revisado alcanzó un AUROC de 0.878-0.900 en períodos MIMIC-IV, demostrando que la representación de variables es más importante que la arquitectura de propagación de mensajes.

Periodista: Mohammad Nasir Uddin, Eklachur Rahman Bhuiyan, Rahnuma Tabassum Orpita

Personas mencionadas

Hipótesis de separación entre predicción de estado

Se propone la hipótesis de separación entre predicción de estado en Transformers, sugiriendo que separar los roles de predicción y almacenamiento de estado mejora el rendimiento del modelado de lenguaje. Los experimentos demuestran que esta separación ofrece mejor eficiencia de datos y cómputo, superando a los Transformers estándar en tareas posteriores.

Periodista: Giovanni Monea

Personas mencionadas

Expertos entrenados conjuntamente con puerta de percepción para transiciones suaves en terrenos difíciles

Se propone el modelo CTS-MoE para la locomoción multi-terreno mediante aprendizaje por refuerzo, entrenando conjuntamente un actor con puerta de percepción y críticos específicos de tarea. Este enfoque busca componer conocimiento de expertos en comportamiento continuo y aislar objetivos heterogéneos para mantener la especialización durante la optimización conjunta. Los resultados indican mejoras significativas en el éxito del curso y la reducción de la sacudida de acción, evitando transiciones bruscas en los límites del terreno.

Periodista: Francisco Affonso, Matheus P. Angarola, Ana Luiza Mineiro, Aditya Potnis, Marcelo Becker, Girish Chowdhary

Personas mencionadas

Motor de Recompensa: Autoevolución Centrada en la Recompensa para Agentes de Herramientas Abiertas

Se presenta el Reward Engine, un mecanismo diseñado para construir una recompensa a partir de la experiencia existente que identifique fallos en la política actual. Este motor optimiza hacia el éxito al construir un paquete de pruebas y rúbricas para guiar al agente a revisar y seleccionar sus resultados. Los resultados obtenidos en las pruebas mejoran la consistencia de las ejecuciones en comparación con la línea base.

Periodista: Litong Feng, Ji Qi, Yiran Cheng, Shaowu Pan, Xinyu Zhang, Qijun Li

Personas mencionadas

GraspBench: Evaluación de generación de agarres con conciencia de ejecución en robots

Se presenta GraspBench, un protocolo de MuJoCo diseñado para evaluar pipelines completos de generación de agarres en robots, considerando el filtrado de cinemática inversa y la planificación de movimiento. El estudio compara diferentes métodos de generación de agarres en cuatro implementaciones de robot y cinco objetos, determinando que el rendimiento depende de la interacción entre el generador, el robot, la escena y el protocolo de ejecución. GraspGen mostró la mayor tasa de éxito (73.1%), mientras que la calidad de la propuesta por sí sola no garantiza la ejecutabilidad del agarre.

Periodista: Abdul Basit, Bibek Poudel, Muhammad Shafique

Personas mencionadas

VACE: Aprendizaje de representaciones geométricamente estructuradas para la detección de anomalías en series temporales

Se presenta VACE, un método de detección de anomalías auto-supervisado para series temporales multivariadas. Este método representa la normalidad como una trayectoria suave y coherente en el espacio de incrustación. VACE combina puntuaciones posicionales y direccionales para detectar desviaciones geométricas en los datos. El método logra un rendimiento de vanguardia en la detección de anomalías.

Periodista: Alberto D. Cencillo

Personas mencionadas

Agentes de IA divergen sistemáticamente de las preferencias humanas en la formalización de pruebas

Un estudio sobre la colaboración entre agentes de IA y humanos en la construcción de pruebas revela que los agentes de IA muestran preferencias distintas a las humanas. Específicamente, los agentes de IA están más atraídos por lagunas marcadas explícitamente y muestran aversión a centros de pruebas densamente conectados. Esto sugiere diferencias fundamentales en cómo los agentes de IA y los humanos abordan la tarea de formalización de pruebas.

Periodista: Bálint Gyevnár

Personas mencionadas

¿Pueden los LLMs razonar de manera legalmente significativa? Un estudio a pequeña escala sobre casos de la Corte Europea de Derechos Humanos

Un estudio evaluó el razonamiento de los LLMs en la predicción de casos legales utilizando jurisprudencia de la Corte Europea de Derechos Humanos (ECtHR). Se encontró que el modelo evaluado no alcanza el nivel ideal en razonamiento legal, produciendo análisis superficiales. Se recomienda evitar depender únicamente de la evaluación automatizada de LLMs y no usar la precisión de la tarea como sustituto de la calidad del razonamiento.

Periodista: Amogh Raina, Ilias Chalkidis, Daniel Hershcovich, Henrik Palmer Olsen

Personas mencionadas

BrainPFN: Predicción de comportamiento cerebral amortizada mediante redes ajustadas con datos previos

Se presenta BrainPFN, una Red Ajustada con Datos Previos para la regresión del comportamiento cerebral, que supera a KRR en la predicción de comportamiento a partir de resonancia magnética funcional. Este modelo se entrena meta con datos reales de conectividad funcional y demuestra un rendimiento superior en la predicción de comportamiento en cohortes independientes. El trabajo destaca que un conjunto de datos abierto puede igualar o superar modelos entrenados a escalas mucho mayores.

Periodista: Carlo Alberto Barbano (MIND), Demian Wassermann (MIND)

Personas mencionadas

Exploración del espacio de parámetros para RLVR mediante aprendizaje variacional

Se investiga la exploración en el espacio de parámetros para el aprendizaje por refuerzo en LLM, sugiriendo que esto puede mejorar el rendimiento. Se introduce el método Perturbed Parameter Policy Optimization (3PO) que utiliza diferentes estrategias de muestreo para la estimación de la recompensa. Los experimentos demuestran que estos enfoques mejoran el rendimiento sobre GRPO con un costo computacional similar.

Periodista: Vatsal Venkatkrishna, Nico Carlsen Daheim, Iryna Gurevych

Personas mencionadas

¿Qué mide realmente la dimensión efectiva de una red neuronal cuántica híbrida?

Se investiga la dimensión efectiva en redes neuronales cuánticas híbridas (QNNs) como medida de capacidad o calidad del modelo. El estudio compara el escalar calculado con la razón de participación de la matriz de información de Fisher cuántica y evalúa su correlación con la precisión en benchmarks como CIFAR-10 y EuroSAT. Se concluye que la dimensión efectiva describe la geometría del circuito más que la calidad del modelo, sugiriendo que la capacidad, entrenabilidad y precisión requieren diagnósticos separados.

Periodista: Md Masum Mia, Amith Khandakar, Mohamed Arselene Ayari

Personas mencionadas

DART: Detección de Anomalías Residuales Agnosticas al Dominio

Se presenta DART, un marco de complemento para la Detección de Anomalías Generalista (GAD) que busca separar los residuos en componentes relevantes para la anomalía y específicos del dominio. El método combina un Módulo de Desentrelazamiento Residual y Entrenamiento Meta-Dominio para mejorar la transferencia de anomalías entre dominios. Los experimentos demuestran mejoras consistentes en múltiples bases, especialmente bajo fuertes desplazamientos de dominio.

Periodista: Muhammad Aqeel, Maham Nazir, Marco Cristani, Francesco Setti

Personas mencionadas

Cuando el parcheo de atribución miente: Diagnóstico y una corrección de segundo orden

El artículo aborda la inconfiabilidad del parcheo de atribución, identificando que el error principal proviene de las no linealidades en la red descendente. Se proponen tres herramientas prácticas, incluyendo una puntuación de fiabilidad y una corrección de producto vectorial de Hessiano (HVP) para mejorar la recuperación de circuitos. La variante de HVP demuestra superar la precisión de los Gradientes Integrados con menor coste computacional.

Periodista: Luyang Zhang, Jialu Wang

Personas mencionadas

MedGraph: Manteniendo el estado del paciente con memoria gráfica para diálogos médicos a largo plazo

Se presenta MedGraph, una memoria gráfica diseñada para mantener el estado clínico correcto de un paciente a través de diálogos médicos longitudinales. Este sistema aborda errores comunes en sistemas de memoria al asegurar que la evidencia recuperada sea actual y atribuida correctamente. MedGraph demuestra la mayor precisión en pruebas comparativas con modelos GPT y Qwen.

Periodista: Donghua Zhang, Zizheng Wang, Ze Dong, Yiding Feng, Siyu Qian

Personas mencionadas

SEABench: Medición de la desalineación endógena en agentes autoevolutivos

Se presenta SEABench, un benchmark diseñado para estudiar la desalineación endógena que surge de la autoevolución de agentes LLM. El estudio evalúa cómo las actualizaciones locales pueden llevar a comportamientos inseguros a largo plazo, incluso sin influencia adversaria directa. La investigación demuestra que la autoevolución incrementa la finalización de tareas, pero a costa de fallos de seguridad en comparación con agentes estables.

Periodista: Saswat Das, Parvati Viswanathan, Daniel Donnelly, Chang Huang, Sahar Abdelnabi, Ferdinando Fioretto

Personas mencionadas

Revisando la recuperación generativa frente a la recuperación densa: Un valor estático prioriza la brecha

Se compara la recuperación generativa (GR) y la recuperación densa (DR) para la generación de candidatos en el comercio minorista en línea. Se encontró que la GR supera a la DR en el valor del artículo más relevante, mientras que la DR es superior en la recuperación exacta y el valor relevante en la lista clasificada. Un análisis adicional sugiere que la popularidad es clave para el rendimiento de la GR.

Periodista: Renbo Tu, Yang Liu, Shuying Sun

Personas mencionadas

WoVR: Modelos del mundo como simuladores fiables para políticas VLA post-entrenamiento con RL

Se propone WoVR, un marco de RL basado en modelos del mundo para políticas VLA post-entrenamiento, diseñado para mejorar la estabilidad de los recorridos imaginados y la optimización de políticas. El método regula la interacción del RL con dinámicas imaginadas imperfectas mediante un modelo del mundo de video condicionado por acción y recorridos inicializados por fotograma clave. Los experimentos demuestran que WoVR permite recorridos estables a largo plazo y optimización efectiva de políticas con ganancias consistentes en el mundo real.

Periodista: Zhennan Jiang, Shangqing Zhou, Yutong Jiang, Zefang Huang, Mingjie Wei, Yuhui Chen, Tianxing Zhou, Zhen Guo, Hao Lin, Quanlu Zhang, Yu Wang, Haoran Li, Dongbin Zhao, Chao Yu

La investigación en conducción autónoma requiere un paradigma de datos impulsado por la comunidad

La investigación en conducción autónoma necesita un cambio en el paradigma de datos, ya que los conjuntos de datos existentes están fragmentados y subutilizados. Se propone un modelo colaborativo impulsado por la comunidad para mejorar el descubrimiento, la reutilización y la integración de datos. Esto busca transformar los datos fragmentados en una infraestructura compartida para lograr la autonomía en cualquier lugar y momento.

Periodista: Jinsu Yoo, Zanming Huang, Katie Z Luo, Zheda Mai, Qiyuan Wu, Bharath Hariharan, Mark Campbell, Wei-Lun Chao

Personas mencionadas

Leyes de escalado para datos de entrenamiento SAE

Se investiga el almacenamiento de activación en el entrenamiento de autoencoders dispersos (SAE) para determinar cuántas activaciones únicas son necesarias con un presupuesto fijo. Se establece una ley de escalado que sugiere que el búfer debe crecer hasta un punto de meseta, y luego reutilizar ese búfer para optimizar el almacenamiento de activación. Los experimentos demuestran que esta técnica reduce el almacenamiento de activación en un factor de 8 a 64 con una pérdida mínima de calidad.

Periodista: Nikita Koriagin, Nikita Balagansky, Daniil Gavrilov

Personas mencionadas

Difusión invariante a escala con superresolución continua

Se presenta SKILD, un modelo de difusión que unifica la generación de imágenes y la superresolución continua en un marco incondicional. Este modelo aprovecha la invariancia a escala para atenuar contenido de imagen y reconstruir detalles finos a partir de entradas toscas. Los resultados empíricos muestran que SKILD supera a modelos condicionales en métricas perceptuales y logra altos puntajes en FID e Inception Score.

Periodista: Zixin Chen

Personas mencionadas

Eigenius: Una DBMS de grafo de conocimiento tipada con estratificación epistémica y razonamiento mediado por instituciones

Se presenta Eigenius, un DBMS de grafo de conocimiento de código abierto y tipado diseñado para manejar la evidencia interconectada mediante una arquitectura unificada. Este sistema busca resolver la pregunta de auditoría sobre el conocimiento y la garantía de los datos. Utiliza una teoría de tipos dependientes y un almacenamiento inmutable para asegurar la procedencia de los datos.

Periodista: Hans-Martin Will, Allen L. Brown Jr., Matthew Fuchs

Personas mencionadas

Whiel: Una plataforma neurosimbólica para la verificación de programas relacionales certificados

Se presenta el sistema Whiel, una plataforma neurosimbólica para el razonamiento basado en programas relacionales imperativos certificados. Este sistema puede manejar problemas de contención y equivalencia para Datalog y lenguajes de consulta de grafos. Whiel permite representar algoritmos de evaluación optimizados y verificar especificaciones de integridad de datos. El objetivo es crear una herramienta para resolver problemas matemáticos complejos y decidibles con alta fiabilidad.

Periodista: Jesse Comer, Fangzhu Shen, Shuo Zhang, Mayur Naik, Sudeepa Roy, Val Tannen

Personas mencionadas

Computación en tiempo polinomial de equilibrios propios de forma extensa en juegos de suma cero de dos jugadores

Se presenta un algoritmo determinista en tiempo polinomial para calcular un equilibrio propio exacto en juegos de suma cero de dos jugadores con recuerdo perfecto. El método utiliza un permutaedro geométrico y una representación de forma de secuencia para imponer restricciones de acción. El algoritmo busca obtener probabilidades exactas con codificación de longitud polinomial.

Periodista: Sam Ganzfried

Personas mencionadas

SAVeR^2: Alineación de seguridad basada en razonamiento para modelos de razonamiento grandes mediante recompensas verificables

Se presenta SAVeR^2, un método novedoso de alineación de seguridad para Modelos de Razonamiento Grandes (LRMs) que utiliza recompensas con capacidad de razonamiento. Este método descompone el objetivo de seguridad en señales verificables y emplea un mecanismo de proyección de gradiente para eliminar el impuesto de seguridad. Los experimentos demuestran que SAVeR^2 mejora el rendimiento de seguridad y reduce las tasas de sobre-rechazo sin afectar las capacidades de razonamiento general.

Periodista: Yichen Sun, Qirui Liu, Yan Wang, Jianan Lin, Linbo Jiang, Shiyu Wang, Zhibo Wang, Zhixuan Chu

Personas mencionadas

HyperVAttention: Atención dispersa eficiente con agrupación espacio-temporal para difusión de video

Se presenta HyperVAttention (HVA), un marco de atención dispersa libre de entrenamiento diseñado para mejorar la eficiencia de los Transformadores de Difusión de Video (VDiTs). El método aborda la sobrecarga de agrupación mediante la agrupación de ventanas locales 3D y optimiza la utilización de CTA mediante una fusión de clústeres consciente del hardware. Los experimentos demuestran que HVA supera a SVG2 en fidelidad y ofrece una aceleración significativa sobre la atención completa.

Periodista: Dongyeun Lee, Amir Zandieh, Vahab Mirrokni, Junmo Kim, Insu Han

Personas mencionadas

Cuando la verificación automática imperfecta fracasa: Aprendizaje social ante la desinformación

Se estudia cómo las herramientas automáticas de verificación de hechos, imperfectas y rápidas, afectan el aprendizaje social de desinformación en plataformas. Se analiza si estas herramientas pueden ayudar a los agentes a evitar cascadas erróneas, pero también pueden engañar a los agentes, reduciendo la probabilidad de propagación de información correcta. Se demuestra que el uso de estas herramientas puede disminuir el bienestar para artículos de fiabilidad intermedia.

Periodista: Zixuan Liu, Ming Cao

Personas mencionadas

No se identificaron personas.