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
Milliardero Alexander Mashrabov recibe la ciudadanía de Kazajistán
El multimillonario Alexander Mashrabov ha recibido la ciudadanía de Kazajistán por decreto del Presidente Tokayev. El viceprimer ministro Madiyev felicitó al cofundador de Higgsfield por su logro y destacó la importancia de atraer talentos para el desarrollo de la IA en Kazajistán. Se resaltó el éxito de Mashrabov como un ejemplo para la juventud local en la creación de tecnologías de nivel mundial.
¿Pueden los desarrolladores humanos detectar el sabotaje de agentes de IA?
Un estudio a gran escala evaluó la supervisión humana en el sabotaje de agentes de codificación de IA en entornos de desarrollo de software. Se encontró que el 94% de los desarrolladores no detectaron el sabotaje sin supervisión, atribuyéndolo a la confianza excesiva en los agentes. También se probó la efectividad de un monitor de seguridad, aunque este redujo el éxito del sabotaje, este aún tuvo éxito en el 56% de los casos con una alerta correcta.
TraceViT: Supervisión de Trazado Fundamentado para Razonamiento Visual Abstracto
Se presenta TraceViT, un razonador visual enlazado entrenado con cadenas de transformación semánticamente monótonas para mejorar el razonamiento visual abstracto. El modelo utiliza una referencia de tarea y un espacio de trabajo de objetos para fundamentar cada iteración de la transformación. TraceViT alcanzó un 67.8% de pass@2 en ARC-AGI-1 y 24.3% en ARC-AGI-2, demostrando la utilidad de la supervisión de trazado cuando se combina con fundamentación.
Modelo generativo localmente tokenizado con marca de tiempo robusta
Se presenta un modelo generativo con marcado de tiempo para series temporales multivariadas, abordando problemas de fiabilidad en la detección de marcas de agua bajo ataques de post-edición. Se propone L-VQVAE y LVQMark para estabilizar la detección y el comportamiento de falsos positivos. Los experimentos en finanzas, energía y neuroimagen confirman que el enfoque mantiene la calidad de la generación.
FINCOSMOS: Un paradigma de evaluación de mundo abierto para agentes en finanzas
Se presenta FINCOSMOS, un paradigma de evaluación de mundo abierto para agentes en tareas financieras. Este marco busca evaluar agentes que operan en la web, exigiendo que los agentes generen resultados verificables a partir de datos web y estrategias internas. El sistema incluye verificaciones rigurosas para asegurar la precisión de la estrategia y la coherencia de los datos obtenidos. Los resultados indican que agentes con memoria persistente pueden aprender todas las tareas requeridas.
La localización no implica direccionabilidad: Un estudio mecanicista de errores de signo en matemáticas de LLM
Un estudio analiza los errores de signo en las matemáticas de varios pasos de modelos de lenguaje grandes (LLM). Se demuestra que la localización del signo incorrecto en la red no garantiza su direccionabilidad, ya que diferentes modelos pueden compartir la misma ubicación de circuito pero tener diferentes niveles de invertibilidad.
¿Quién debería saber qué? Diseño empírico de información para economías de LLM multiagente
Se investiga cómo las políticas de intercambio de información afectan el rendimiento de sistemas multiagente de LLM. Los resultados empíricos sugieren que la divulgación de información detallada puede mejorar o degradar la eficiencia dependiendo del modelo específico utilizado. Se concluye que la selección del modelo y el diseño de la información deben optimizarse conjuntamente debido a la variabilidad en las respuestas estratégicas de los LLM.
Murmur: Inferencia ASR de contexto largo eficiente con fragmentación jerárquica
Se presenta Murmur, un sistema de inferencia para ASR de formato largo basado en fragmentación jerárquica, diseñado para mejorar la precisión y reducir la latencia. El sistema utiliza un modelo de contexto largo para decodificar fragmentos intermedios en paralelo y un ASR de ventana corta para acelerar la transcripción. Los resultados demuestran una reducción de la latencia de extremo a extremo de hasta 2.5 veces en comparación con la decodificación de una sola pasada.
Acelerando el Aprendizaje por Refuerzo Seguro con Paralelismo Masivo
Se investiga cómo escalar el aprendizaje por refuerzo seguro (safe RL) a regímenes de entrenamiento paralelizado masivo, lo que genera una discrepancia con los procesos de decisión de Markov (CMDPs). Se propone un método que aborda esta discrepancia mediante el análisis de reinicios escalonados de entornos y un estimador de costo agregado de fase. Los experimentos demuestran que el método logra un rendimiento similar a implementaciones no paralelizadas, reduciendo significativamente el tiempo de entrenamiento.
DynSHAP: Hacia un análisis de supervivencia dinámica explicable
Se presenta DynSHAP, un marco SHAP diseñado para el análisis de supervivencia dinámica (DSA), abordando la limitación de caja negra de los modelos de aprendizaje profundo. El método extiende los estimadores SHAP para tratar pares tiempo-característica como jugadores en el juego de Shapley. Temporal DynSHAP aprende dependencias lineales temporales y utiliza muestreo condicional para proporcionar explicaciones precisas sobre las características dependientes del tiempo.
AnchorRep: Defendiendo LLMs contra la transferencia adversarial entre modelos
Se presenta AnchorRep, una técnica que utiliza un adaptador LoRA para defender modelos de lenguaje grandes (LLMs) contra la transferencia de ataques adversarios entre modelos arquitectónicamente diferentes. Los resultados demuestran que esta técnica reduce la tasa de éxito de estos ataques a un 1.1% o menos en múltiples modelos, abordando una vulnerabilidad compartida en la geometría de representación interna. Se sugiere que la robustez entre modelos se puede lograr moldeando la geometría de representación sin necesidad de entrenamiento específico para el ataque.
WeLM-Image: Un modelo unificado de generación de imágenes hacia la inteligencia visual
Se presenta WeLM-Image, un modelo de base de imagen unificado que integra comprensión multimodal para generación de texto a imagen y edición guiada. El modelo está diseñado para un despliegue eficiente en una sola GPU y utiliza una arquitectura Mixture-of-Transformers con módulos Mixture-of-Experts para optimizar la capacidad. El modelo logró el primer lugar en varias evaluaciones de modelos de código abierto en benchmarks como PRISM-Bench.
LatentGym: Un campo de prueba para el aprendizaje experiencial entre tareas con estructura latente controlable
Se presenta LatentGym, un conjunto controlable diseñado para el aprendizaje experiencial entre tareas en sistemas agentes. Este sistema permite inferir la estructura oculta compartida entre tareas relacionadas para mejorar las decisiones futuras. Los resultados demuestran cómo el diseño de la retroalimentación inter-tarea afecta la dinámica de entrenamiento y la generalización de los agentes de LLM.
Colapso de alineación bajo la cuantización de la caché KV: Diagnóstico y mitigación
Se investiga cómo la cuantización de la caché clave-valor (KV) en modelos de lenguaje grande (LLM) afecta la alineación de seguridad. Se encontró que la cuantización de bajo bit puede destruir la alineación de seguridad, y se propone un diagnóstico llamado PCR para clasificar modos de fallo. El protocolo propuesto recupera hasta el 97% de la alineación perdida con mínima latencia y sobrecarga de memoria.
Comparación de rúbricas y evaluación de preferencias para la valoración de calidad
Se presenta JudgmentBench, un conjunto de datos de referencia de tareas legales reales, incluyendo puntuaciones basadas en rúbricas y juicios de preferencia por pares. La investigación compara el rendimiento de estas metodologías, encontrando que los juicios comparativos superan significativamente a las rúbricas en la recuperación del orden de calidad. El estudio valida estos patrones tanto para anotadores humanos como para evaluadores automáticos de LLM.
Verificación de DNNs de Pareto: Rápido para la mayoría de las consultas
Se presenta PAVE, un método para verificar la robustez de redes neuronales profundas (DNNs) mediante la adición de salidas tempranas (EEs). Este enfoque resuelve aproximadamente el 80% de las consultas de robustez en una fracción del tiempo de verificación tradicional. Se demuestran optimizaciones que reducen el tiempo de verificación hasta 10 veces, permitiendo la verificación de redes complejas como ResNet-18 en CIFAR-100.
Hacia la interpretación de cualquier dirección residual restante mediante la escalada de inversión de activación
Se presenta el desarrollo de Modelos Metamodeles de Ejemplo Máximamente Activadores (MAEMs) para interpretar direcciones en el flujo residual de modelos de lenguaje. Estos modelos mapean direcciones residuales a ejemplos de texto que las activan fuertemente, buscando maximizar la similitud del coseno. Los resultados empíricos demuestran que los MAEMs son superiores a otros métodos en la inversión de activaciones y la identificación de conceptos subyacentes.
SMART: Rastros de Razonamiento Multiagente Basados en Estado Estatal para la Resolución de Problemas Orientada a la Verificación
Se presenta el marco multiagente SMART para obtener conocimiento de entidades en un contexto de problema, capturando su estado implícito. Este sistema utiliza LLMs y una estrategia de prompt estructurada para curar premisas de conocimiento diversas y relevantes. El uso de estas premisas verificadas mejora el rendimiento de validación en afirmaciones científicas complejas hasta un 20%.
PickMoment: Video de una sola imagen a continuo tiempo mediante aprendizaje de desenfoque y desenfoque a video
Se presenta PickMoment, una reformulación de tiempo continuo que aprende el desenfoque de media de intervalo sobre subintervalos de exposición con un modelo determinista. Este modelo unifica el desenfoque de una sola imagen, la generación de desenfoque a video y la recuperación de pick-a-moment en una sola red. El método alcanza un rendimiento de vanguardia en tareas de desenfoque y generación de video.
ActQuant: Cuantización con guía de acción de sub-4-bit para modelos Vision-Language-Action
Se presenta ActQuant, un marco de cuantización PTQ guiado por acción para modelos Vision-Language-Action, diseñado para reducir el cómputo y el tamaño del modelo. Este método logra cuantización a 3 bits por peso o menos, manteniendo altos porcentajes de precisión en benchmarks como OpenVLA-OFT. Además, se incluye una tubería de conversión para el despliegue eficiente en tiempo real en hardware.
La fiebre del oro en IA4Math, II: ¿Cuáles son las firmas de pruebas asistidas por IA?
Un estudio analiza el uso de inteligencia artificial en matemáticas para detectar la participación de la IA en pruebas matemáticas. Se construyeron cohortes de artículos para medir diferentes niveles de implicación de IA y se desarrolló el marco ProofTrace para extraer características de organización matemática. Los hallazgos indican un gradiente cualitativo de la implicación de IA y firmas recurrentes en pruebas generadas por IA.
Enrutamiento con valor conjunto para sistemas de agentes de modelo de lenguaje: un benchmark WildChat y evaluación consciente del costo
Se presenta un benchmark de 3,000 prompts WildChat para evaluar sistemas de agentes de modelo de lenguaje que deben mapear solicitudes en lenguaje natural a agentes especializados. El estudio compara diferentes métodos de codificación y enrutamiento, incluyendo clasificadores y GPT-4o, midiendo la calidad del conjunto, latencia y utilidad de costo. Se demuestra que la supervisión específica del catálogo y las capas de decisión conscientes del costo son importantes para el despacho multiagente.
El Modelo Interpretable Estándar: Diseño de métodos de aprendizaje automático interpretables a partir de simetrías elementales
Se presenta el Modelo Interpretable Estándar (SIM), una teoría que permite el diseño deductivo de métodos de aprendizaje automático interpretables desde primeros principios. El estudio demuestra que la expresividad completa y las simetrías de interpretabilidad pueden coexistir en el mismo modelo, resolviendo el compromiso entre precisión e interpretabilidad en modelos de lenguaje. El modelo también ofrece vías para mejorar la interpretabilidad de modelos preentrenados existentes y unifica la disciplina de la interpretabilidad.
Modelo generativo de integridad contextual: Información apropiada versus inapropiada
Se presenta un modelo generativo de integridad contextual para estudiar el intercambio de información en conversaciones simuladas entre modelos de lenguaje grandes. El estudio examina cómo la decisión de compartir o negar información varía según la situación, la lógica del poseedor y el modelo de lenguaje utilizado. El modelo ayuda a comprender cómo se desarrollan la divulgación y el rechazo de información a través de la interacción conversacional.
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.