Compartir en su PlatformGoogle favorito acaba de anunciar actualizaciones significativas de su modelo Gemini AI, presentando Gemini 2.5 con capacidades de razonamiento mejoradas. Las últimas mejoras, detalladas en el blog y el blog oficial de Google, muestran los principales avances en el rendimiento de la IA, la eficiencia y las aplicaciones del mundo real. ¿Qué hay de nuevo en Géminis 2.5? 1. Razonamiento mejorado y resolución de problemas Gemini 2.5 introduce un mejor razonamiento lógico, lo que le permite abordar consultas complejas con mayor precisión. Ya sea para resolver problemas matemáticos, analizar datos científicos o ayudar en la codificación de tareas, el modelo actualizado demuestra una comprensión contextual más profunda. ProcessingGoogle de procesamiento más rápido y más eficiente ha optimizado Géminis 2.5 para ser más rápido y más eficiente en los recursos, reduciendo la latencia mientras mantiene un alto rendimiento. Esto lo hace ideal para aplicaciones en tiempo real como asistentes virtuales, bots de atención al cliente y herramientas de investigación automatizadas. Google también presentó Gemini 2.5 Pro. En el que dice que es su «modelo más avanzado para tareas complejas» .Gemini 2.5 Pro Benchmark. El modelo Googlethe ahora maneja el texto, las imágenes, el audio y las entradas de video más sin problemas, mejorando las interacciones en aplicaciones como Google Search, YouTube y Google Workspace.Real-World Aplications Google destacan varios usos clave para Gemini 2.5: Educación: Tutorización personalizada y ayuda Instant Homeo. Compare con otros modelos de IA? Gemini 2.5 compite con el GPT-4.5 de OpenAI y Claude 3 de Anthrope, pero Google enfatiza su eficiencia superior en el manejo de tareas a gran escala. Los puntos de referencia muestran mejoras en el razonamiento matemático, la precisión de la codificación y el soporte multilingüe. ¿Qué sigue para Gemini AI? Google planea más integraciones con Android, Google Cloud y Aplicaciones de terceros, lo que hace que la IA sea más accesible. La compañía también sugiere Gemini 3.0, que se espera a finales de este año con características aún más avanzadas. Relacionado Share en su plataforma favorita
Etiqueta: aprendizaje automático Página 1 de 2
El mercado de empresa a empresa experimentará una serie de grandes cambios en los años hasta 2030, según un nuevo informe de la firma de experiencia del cliente Merkle. Las empresas B2B regionales de APAC deberán considerar sus niveles de inversión en una serie de tecnologías e integrar nuevas herramientas ahora para prepararse y adaptarse a los cambios venideros. El informe B2B Futures: The View From 2030 sostiene que cuatro tendencias “síssmicas” clave están llegando al B2B: Un aumento en el comercio de máquina a máquina. Trazabilidad mejorada de la cadena de suministro. El dominio de los mercados digitales B2B. Velocidad de comercialización radicalmente acelerada. Jake Hird, vicepresidente de estrategia de Merkle B2B – APAC, dijo a TechRepublic que las empresas B2B de la región deberán responder con inversiones en tecnologías que incluyen IoT, IA, análisis de datos y blockchain para garantizar que se adapten a estos cambios que afectan a sus negocios y mercados. IoT para facilitar un aumento en el comercio de máquina a máquina El comercio de máquina a máquina aumentará hasta representar un tercio de todos los negocios B2B para 2030, dijo Merkle. En la práctica, esto verá la extensión de las herramientas automatizadas de toma de decisiones actuales, como los sistemas de reabastecimiento para minoristas que automatizan la compra de nuevo inventario de las fábricas, hacia decisiones más complejas pero aún sobre productos básicos, respaldadas por la IA. Jake Hird, vicepresidente de estrategia, Merkle B2B, APACImagen: Merkle Hird dijo que esta tendencia requeriría que las empresas B2B prioricen cada vez más las inversiones en cosas como infraestructura de TI, inteligencia artificial y herramientas de aprendizaje automático, tecnología blockchain y seguridad cibernética. Internet de las cosas El crecimiento del comercio de máquina a máquina dependerá en gran medida de la adopción y el despliegue de herramientas de IoT, que deberán integrarse en todo el mercado B2B. «Los dispositivos, sensores y redes de IoT formarán la columna vertebral del comercio m2m», dijo Hird. Si bien reconoce el crecimiento inestable hasta la fecha en el mercado de IoT, Merkle dijo que IoT ha madurado. El informe de Merkle predijo que los dispositivos IoT pronto serían una fuente clave de datos para las empresas B2B que necesitan «identificar y pronosticar las necesidades comerciales, que van desde la posible falta de existencias hasta la degradación de los equipos que pueden necesitar reemplazo, y realizar transacciones en consecuencia». Blockchain y contratos inteligentes Las máquinas tendrán los medios para realizar transacciones con otras máquinas utilizando blockchain. «La tecnología Blockchain y los contratos inteligentes garantizarán transacciones seguras y transparentes, permitiendo a las máquinas ejecutar acuerdos sin intervención humana», dijo Hird. DESCARGAR: Más de 50 glosarios tecnológicos de TechRepublic Infraestructura informática de borde premium Las empresas B2B necesitarán invertir en infraestructura de computación de borde para admitir más procesamiento de datos en tiempo real y transacciones de compra en sus huellas y cadenas de suministro. Plataformas de integración y gestión de datos Las empresas B2B necesitarán recopilar, procesar y analizar más información, lo que hace que la inversión en gestión de datos sea importante. Esto incluirá superar los desafíos de integración y aprovechar la interoperabilidad de los sistemas para generar los conocimientos necesarios para alimentar los sistemas. Sistemas de seguridad cibernética Las soluciones de seguridad cibernética serán cruciales para proteger las transacciones del acceso no autorizado, así como de otras amenazas en línea, según Merkle. «Las empresas necesitarán invertir en medidas como sistemas de detección de intrusos y tecnologías de cifrado avanzadas», afirmó Hird. Blockchain y tecnología de contabilidad distribuida para ofrecer trazabilidad de la cadena de suministro La trazabilidad de la cadena de suministro podría convertirse en uno de los dos principales impulsores de compras para B2B para 2030, debido a la presión de los consumidores y del mercado. Esto hará que aumente la adopción de la tecnología blockchain y de contabilidad distribuida a medida que las empresas busquen profundizar la transparencia y la confianza de sus cadenas de suministro. Blockchain y tecnología de contabilidad distribuida El informe de Merkle sugiere que blockchains, la forma más común de tecnología de contabilidad distribuida, podría ayudar a “arrojar luz sobre las cadenas de suministro globales bizantinas” al brindar acceso a datos de certificación, prácticas de abastecimiento e impacto ambiental, incluso calculando las huellas de carbono. Estas tecnologías podrían ayudar a las empresas a hacer cumplir los estándares de sostenibilidad. Etiquetas RFID e IoT La disponibilidad, la disminución del coste y la miniturización de las etiquetas RFID y los sensores de IoT harán que la IoT desempeñe un papel fundamental en la trazabilidad. Se espera que esto permita el seguimiento y monitoreo en tiempo real de los productos a medida que avanzan a lo largo de la cadena de suministro, desde el abastecimiento hasta la venta. Herramientas de análisis de datos e inteligencia artificial Los actores B2B necesitarán análisis de datos e inteligencia artificial para obtener información a partir de los datos generados por los sistemas de trazabilidad de la cadena de suministro. «A través del análisis en tiempo real, las empresas pueden optimizar la gestión de inventario, anticipar las fluctuaciones de la demanda y mitigar los riesgos de la cadena de suministro», dijo Hird. Preparación para la integración para respaldar el auge de los mercados digitales B2B Se espera que los mercados digitales B2B capturen el 50 % del negocio B2B para 2030, frente al 15 % en 2024. Este cambio impulsará a las organizaciones B2B a centrarse en implementar plataformas de comercio electrónico para desarrollar una presencia. dentro de mercados digitales en crecimiento o sumergirse y construir los suyos propios. Herramientas de análisis y personalización El análisis y la personalización permitirán a las empresas obtener información sobre el comportamiento y las preferencias de los clientes, dijo Hird. Esto ayudará a las empresas B2B a ajustar el marketing y las comunicaciones para compradores B2B individuales, mejorando la experiencia del cliente, el compromiso y los ingresos. Soluciones de integración y API Los mercados digitales dependen de la integración de sistemas para facilitar las transacciones de los clientes y las experiencias de compra. Las empresas deberán invertir en soluciones API y de integración para conectar sistemas y plataformas internos y externos para optimizar las operaciones y mejorar la eficiencia. Tecnología de optimización de la cadena de suministro Los modelos de mercado digital también requieren que las empresas B2B satisfagan demandas como tiempos de entrega más rápidos y cumplimiento eficiente de los pedidos desde su presencia en el mercado, dijo Hird. Sostuvo que esto alentará a las empresas B2B a adoptar más tecnologías de optimización de la cadena de suministro. Herramientas de diseño y creación de prototipos para acelerar la velocidad de comercialización B2B Se esperan cambios importantes en la forma en que las marcas B2B diseñan, prueban y entregan productos al mercado. Por ejemplo, en farmacología, dijo Merkle, aunque puede llevar de 10 a 15 años llevar un medicamento al mercado, un descubrimiento de fármacos y ensayos clínicos más rápidos podrían acortar este proceso dramáticamente. Hird dijo a TechRepublic que los procesos de diseño de prototipos y productos funcionales se pueden potenciar con IA generativa y tecnologías de creación de prototipos virtuales. Al utilizar simulaciones y herramientas de diseño que aumentan las contribuciones humanas y los métodos tradicionales, las empresas podrán reducir significativamente el tiempo y el costo asociados con la creación de prototipos y pruebas físicas. «Esto permite ciclos de iteración más rápidos, acelerando el proceso de desarrollo de productos y mejorando la velocidad de comercialización de nuevos productos e innovaciones», dijo Hird.
Las instituciones militares, los institutos de investigación de IA y las universidades de China todavía pueden obtener y comprar chips de IA de NVIDIA, ¡aunque en pequeñas cantidades! ¡A AMD + NVIDIA se les prohíbe vender chips de IA a China! El gobierno de EE. UU. ordenó tanto a AMD como a NVIDIA que dejaran de vender chips de IA de alto rendimiento a China y Rusia el 26 de agosto de 2022. Esta prohibición se introdujo para evitar que ambos países utilizaran esos chips de IA de alto rendimiento con fines militares. Con efecto inmediato, el gobierno de EE. UU. prohibió la exportación de todos los chips de IA que sean iguales o más rápidos que los chips NVIDIA A100 (y H100) o AMD Instinct MI250. Luego, NVIDIA creó chips de IA A800 y H800 más lentos para el mercado chino, pero incluso ellos también fueron prohibidos en octubre de 2023. Recomendado: ¡AMD y NVIDIA tienen prohibido vender chips de IA a China! ¡China todavía tiene acceso a los chips de IA NVIDIA de alta velocidad! A pesar de la actual prohibición de la venta de chips de IA de alto rendimiento a China y Rusia, parece que los institutos de investigación chinos vinculados al ejército todavía pueden obtener y comprar chips de IA de NVIDIA, ¡aunque en pequeñas cantidades! Según un informe de Reuters del 14 de enero de 2024, los documentos de licitación pública muestran que docenas de instituciones militares, institutos de investigación de inteligencia artificial y universidades en China con vínculos con el ejército han comprado y recibido chips de inteligencia artificial de NVIDIA de alto rendimiento como el A100 y el H100. así como los chips AI A800 y H800 más lentos. El Instituto de Tecnología de Harbin compró seis chips NVIDIA A100 en mayo de 2023 para entrenar un modelo de aprendizaje profundo que la Universidad de Ciencia y Tecnología Electrónica de China compró en NVIDIA A100 en diciembre de 2022, para un propósito no especificado. Ambas universidades están sujetas a las restricciones de exportación de Estados Unidos, aunque la venta de esos chips de IA no es ilegal en China. Se identificaron más de 100 licitaciones en las que entidades estatales chinas compraron con éxito chips NVIDIA A100 y H100, y docenas de licitaciones muestran compras exitosas de los chips más lentos A800. La Universidad de Tsinghua compró dos chips H100 en diciembre de 2023, así como unos ochenta chips A100 desde septiembre de 2022. Un laboratorio del Ministerio de Industria y Tecnología de la Información compró un chip H100 en diciembre de 2023. Una entidad anónima del Ejército Popular de Liberación (EPL) con sede en Wuxi buscó para comprar tres chips A100 en octubre de 2023 y un chip H100 en enero de 2024 El Instituto de Inteligencia Artificial de Shandong compró cinco chips A100 de Shandong Chengxiang Electronic Technology en diciembre de 2023 La Universidad de Chongqing compró un chip NVIDIA A100 en enero de 2024. Recomendado: Can StopNCII Remove All Nude / ¡¿Fotos falsas profundas?! Para ser claros, ni NVIDIA ni sus minoristas aprobados suministraron esos chips. NVIDIA dijo que cumple con todas las leyes de control de exportaciones aplicables y exige que sus clientes hagan lo mismo: si nos enteramos de que un cliente ha realizado una reventa ilegal a terceros, tomaremos las medidas inmediatas y apropiadas. – Portavoz de NVIDIA Aunque las entidades estatales chinas parecen poder comprar chips de IA de alto rendimiento, el informe de Reuters también muestra la eficacia de la prohibición estadounidense de chips de IA. El entrenamiento de grandes modelos de inteligencia artificial requiere miles de chips de IA de alto rendimiento, y China no parece ser capaz de adquirir más que un puñado de estos chips críticos. Eso no significa que China esté desacelerando sus iniciativas de IA. En lugar de depender de las “importaciones grises” de chips AI de AMD o NVIDIA, las entidades chinas están haciendo todo lo posible para cambiar a alternativas locales. En 2023, HUAWEI recibió pedidos de unos 5.000 de sus chips Ascent 910B. Megaempresas chinas como Baidu, Alibaba y Tencent también tienen sus propios chips de IA internos como Kunlunxin Gen 2, Hanguang 800 y Zixiao. ¡Por favor apoye mi trabajo! ¡Apoya mi trabajo a través de una transferencia bancaria/PayPal/tarjeta de crédito! Nombre: Adrian WongTransferencia bancaria: CIMB 7064555917 (Código Swift: CIBBMYKL)Tarjeta de crédito/Paypal: https://paypal.me/techarp El Dr. Adrian Wong ha estado escribiendo sobre tecnología y ciencia desde 1997, e incluso ha publicado un libro con Prentice Hall llamado Rompiendo la barrera del BIOS (ISBN 978-0131455368) mientras estaba en la escuela de medicina. Continúa dedicando innumerables horas todos los días a escribir sobre tecnología, medicina y ciencia, en su búsqueda de hechos en un mundo de posverdad.
[/su_note]
Lectura recomendada Volver a > Negocios | Computadora | Soporte técnico ARP ¡ARP técnico! Apóyenos visitando a nuestros patrocinadores, participando en los foros Tech ARP o haciendo una donación a nuestro fondo. ¡Gracias! Así: Me gusta Cargando…
Después de demandar a OpenAI este mes, alegando que la empresa se ha vuelto demasiado cerrada, Elon Musk dice que publicará su respuesta de “búsqueda de la verdad” a ChatGPT, el chatbot Grok, para que cualquiera pueda descargarla y usarla. “Esta semana, @xAI abrirá el código fuente Grok”, escribió Musk hoy en su plataforma de redes sociales X. Eso sugiere que su empresa de inteligencia artificial, xAI, publicará el código completo de Grok y permitirá que cualquiera pueda usarlo o modificarlo. Por el contrario, OpenAI ofrece una versión de ChatGPT y el modelo de lenguaje detrás de él disponible para su uso de forma gratuita, pero mantiene su código privado. Musk había dicho poco anteriormente sobre el modelo de negocio de Grok o xAI, y el chatbot estuvo disponible solo para suscriptores Premium. a X. Después de haber acusado a sus cofundadores de OpenAI de incumplir una promesa de regalar la inteligencia artificial de la compañía a principios de este mes, Musk puede haber sentido que tenía que abrir su propio chatbot para demostrar que está comprometido con esa visión. OpenAI respondió a la pregunta de Musk. demanda la semana pasada al publicar mensajes de correo electrónico entre Musk y otros en los que parecía respaldar la idea de hacer que la tecnología de la compañía fuera más cerrada a medida que se volviera más poderosa. Musk finalmente invirtió más de 40 millones de dólares en OpenAI antes de separarse del proyecto en 2018. Cuando Musk anunció por primera vez que Grok estaba en desarrollo, prometió que tendría menos sesgo político que ChatGPT u otros modelos de IA, que él y otros tienen derechos. Las opiniones inclinadas han sido criticadas por ser demasiado liberales. Las pruebas realizadas por WIRED y otros demostraron rápidamente que, aunque Grok puede adoptar un estilo provocativo, no está muy sesgado en un sentido u otro, lo que tal vez revela el desafío de alinear los modelos de IA de manera consistente con un punto de vista particular. El abastecimiento abierto de Grok podría ayudar a Musk a generar interés en la IA de su empresa. Limitar el acceso de Grok solo a suscriptores pagos de X, una de las plataformas sociales globales más pequeñas, significa que aún no tiene la tracción de ChatGPT de OpenAI o Gemini de Google. El lanzamiento de Grok podría atraer a los desarrolladores a utilizar y desarrollar el modelo y, en última instancia, podría ayudarlo a llegar a más usuarios finales. Eso podría proporcionar a xAI datos que puede utilizar para mejorar su tecnología. La decisión de Musk de liberar a Grok lo ve alinearse con el enfoque de Meta hacia la IA generativa. Los modelos de código abierto de Meta, como Llama 2, se han vuelto populares entre los desarrolladores porque pueden personalizarse y adaptarse completamente a diferentes usos. Pero adoptar una estrategia similar podría arrastrar a Musk aún más a un creciente debate sobre los beneficios y riesgos de dar a cualquiera acceso a los modelos de IA más potentes. Muchos expertos en IA sostienen que los modelos de IA de código abierto tienen importantes beneficios, como una mayor transparencia y un mayor acceso. «Los modelos abiertos son más seguros y robustos, y es fantástico ver más opciones de empresas líderes en el espacio», dice Emad Mostaque, fundador de Stability AI, una empresa que construye varios modelos de IA de código abierto.
Source link
Peter Chen, director ejecutivo de la empresa de software para robots Covariant, se sienta frente a una interfaz de chatbot similar a la que se utiliza para comunicarse con ChatGPT. “Muéstrame el bolso que tienes delante”, escribe. En respuesta, aparece un video que revela un brazo robótico sobre un contenedor que contiene varios artículos: un par de calcetines, un tubo de papas fritas y una manzana, entre ellos. El chatbot puede discutir los artículos que ve, pero también manipularlos. Cuando WIRED sugiere que Chen le pida que tome una fruta, el brazo se agacha, agarra suavemente la manzana y luego la mueve a otro contenedor cercano. Este chatbot práctico es un paso para brindar a los robots el tipo de capacidades generales y flexibles. exhibido por programas como ChatGPT. Existe la esperanza de que la IA finalmente pueda solucionar la antigua dificultad de programar robots y hacer que hagan más que un conjunto reducido de tareas. “No es nada controvertido en este momento decir que los modelos básicos son el futuro de la robótica”, dijo Chen. dice, utilizando un término para modelos de aprendizaje automático de propósito general y gran escala desarrollados para un dominio en particular. El práctico chatbot que me mostró funciona con un modelo desarrollado por Covariant llamado RFM-1, por Robot Foundation Model. Al igual que los que están detrás de ChatGPT, Gemini de Google y otros chatbots, ha sido entrenado con grandes cantidades de texto, pero también ha recibido control de video y hardware y datos de movimiento de decenas de millones de ejemplos de movimientos de robots provenientes del trabajo en el mundo físico. mundo. Incluir esos datos adicionales produce un modelo que no solo domina el lenguaje sino también la acción y que es capaz de conectar los dos. RFM-1 no sólo puede chatear y controlar un brazo robótico, sino también generar vídeos que muestran robots realizando diferentes tareas. Cuando se le solicite, RFM-1 mostrará cómo un robot debe agarrar un objeto de un contenedor desordenado. «Puede aceptar todas estas modalidades diferentes que son importantes para la robótica y también puede generar cualquiera de ellas», afirma Chen. «Es un poco alucinante». Vídeo generado por el modelo de IA RFM-1. Cortesía de Covariant Vídeo generado por el modelo de IA RFM-1. Cortesía de Covariant El modelo también ha demostrado que puede aprender a controlar hardware similar que no está en su entrenamiento. datos. Con mayor capacitación, esto podría incluso significar que el mismo modelo general podría operar un robot humanoide, dice Pieter Abbeel, cofundador y científico jefe de Covariant, pionero en el aprendizaje de robots. En 2010, dirigió un proyecto que entrenó a un robot para doblar toallas, aunque lentamente, y también trabajó en OpenAI antes de que dejara de investigar con robots. Covariant, fundada en 2017, actualmente vende software que utiliza el aprendizaje automático para permitir que los brazos robóticos seleccionen artículos. de contenedores en los almacenes, pero normalmente se limitan a la tarea para la que han estado entrenando. Abeel dice que modelos como RFM-1 podrían permitir que los robots utilicen sus pinzas para realizar nuevas tareas con mucha más fluidez. Compara la estrategia de Covariant con la forma en que Tesla utiliza datos de los automóviles que ha vendido para entrenar sus algoritmos de conducción autónoma. «Es más o menos lo mismo que estamos sucediendo aquí», dice. Abeel y sus colegas de Covariant están lejos de ser los únicos expertos en robótica que esperan que las capacidades de los grandes modelos de lenguaje detrás de ChatGPT y programas similares puedan provocar una revolución en robótica. Proyectos como RFM-1 han mostrado resultados iniciales prometedores. Pero la cantidad de datos que se pueden necesitar para entrenar modelos que fabriquen robots con capacidades mucho más generales (y cómo recopilarlos) es una cuestión abierta.
Source link
Todos los ojos están puestos en la IA en este momento, y 2024 es el año en el que las empresas no tecnológicas realmente compiten por la atención de los profesionales del aprendizaje automático (ML). Un nuevo informe de TalentNeuron menciona explícitamente la defensa, la manufactura y la atención médica como industrias con una gran demanda de habilidades de IA. Esto se refleja claramente en la bolsa de trabajo de nextpit, donde organizaciones como Booz Allen Hamilton, Blue Origin, Cohere Health, Lockheed Martin Corporation y Leidos casi siempre están contratando. Siga el dinero Los ingenieros de aprendizaje automático en particular son muy buscados, y la respuesta breve de por qué los profesionales están acudiendo en masa a estas industrias es la siguiente: se ofrecen salarios impresionantes. Un estudio reciente de Bizreport profundizó en los salarios de la IA y destacó que Connecticut tiene el salario promedio de IA más alto con $178,000, mientras que Arizona tenía el salario más alto para un puesto de IA: $450,000 para un arquitecto de sistemas de IA. Los salarios estándar para los ingenieros de aprendizaje automático comienzan en $100 000 y van más allá de los $300 000 para puestos más altos. Una de las razones por las que los salarios son tan altos es que existe una enorme brecha de habilidades en esta área, por lo que, si bien el aprendizaje automático se expande hasta convertirse en una prioridad para las empresas en todas las industrias, no hay suficiente talento para cubrir estos roles. La competencia por el talento es feroz y es un mercado de búsqueda de empleo. De hecho, las empresas estadounidenses están teniendo tantas dificultades para contratar que el sitio de empleo Indeed ha lanzado una nueva red tecnológica para ayudarlas a llegar al talento pasivo. Se trata de profesionales que están contentos en sus funciones actuales y necesitan un mayor incentivo para abandonar el barco. Los empleos relacionados con la IA van en aumento Bizreport también dice que en 2023, el 30,3% de los trabajos de informática estaban relacionados con la IA, y en 2024, habrá potencialmente más de 131.000 puestos de trabajo relacionados con la IA en el mercado de la informática. A medida que OpenAI continúa recaudando fondos y se logran valoraciones récord de acciones relacionadas con la IA, se espera que continúe la urgencia de contar con especialistas en aprendizaje automático. Toda esta demanda hace subir los salarios y los paquetes de beneficios se expanden cada vez más. ¿Está interesado en un nuevo puesto de ingeniero de aprendizaje automático? Visite la bolsa de trabajo de nextpit y vea lo que se ofrece hoy, como estos tres. En Seattle, ByteDance está contratando un ingeniero de plataforma de aprendizaje automático para desarrollar y mantener su plataforma que admite modelos de aprendizaje profundo para el desarrollo de código, pruebas, programación de capacitación, implementación de modelos y otras funciones comerciales centrales. El candidato seleccionado poseerá buenas habilidades de comunicación y trabajo en equipo, será competente en Python, Java o C++, y será recompensado con un salario de entre $129,960 y $246,240 al año. La compañía de seguros de salud HCSC, propiedad de sus miembros, está buscando un ingeniero líder en aprendizaje automático para su equipo de soluciones de inteligencia artificial y análisis en Chicago, que aplica la ciencia de datos y el aprendizaje automático para hacer que la atención médica sea más rentable y mejorar los resultados. Se requiere una licenciatura y al menos cinco años de experiencia laboral en informática, ingeniería o campos afines, o una maestría con cuatro años de experiencia, o un doctorado. y dos años de experiencia laboral. Fintech Plaid en San Francisco está buscando un ingeniero con experiencia en aprendizaje automático para liderar sus esfuerzos para construir e implementar soluciones y sistemas de aprendizaje automático diversos y de alto impacto que también sean escalables. Necesitará experiencia trabajando con productos, diseño e ingeniería de backend, así como con Python/Spark/Airflow/DBT/Hive/Presto/AWS. El salario base objetivo para este puesto es de entre $ 205 900 y $ 308 900 por año, mientras que los beneficios, la equidad y las comisiones dependen del puesto ofrecido. Comience su búsqueda de empleo hoy a través de la bolsa de trabajo de nextpit. Este artículo fue escrito por Amanda Kavanagh.
Bienvenido. Cuéntanos un poco sobre ti. Esto nos ayudará a proporcionarle contenido personalizado. Nombre Apellido Cargo Nombre de la empresa Tamaño de la empresa Seleccione un tamaño 1 – 4 5 – 9 10 – 24 25 – 49 50 – 99 100 – 249 250 – 499 500 – 999 1000 – 4999 5000 – 9999 9999+ Industria Seleccione una industria Publicidad , Relaciones Públicas y Marketing Aeroespacial y Aviación Agricultura y Ganadería Automotriz Banca, Contabilidad y Servicios Comerciales Financieros Computación y Tecnología Educación: Educación Superior: K-12 Ingeniería y Construcción Entretenimiento y Turismo Alimentos y Bebidas Gobierno: Federal Gobierno: Gobierno Local: Estatal Servicios de salud Seguros Servicios legales Fabricación Medios de comunicación y publicaciones Organizaciones sin fines de lucro Petróleo, gas y minería Productos farmacéuticos, medicamentos y productos químicos Bienes raíces Venta al por menor, mayorista y distribuidores Telecomunicaciones Transporte y envío Servicios públicos Viajes y hotelería Otros Cargando Enviar
No será una gran sorpresa si el Galaxy S24 de Samsung termina debutando con un gran enfoque en la inteligencia artificial cuando se lance en algún momento de este mes. Los propios coreanos ya insinuaron que algunas características de Galaxy AI llegarían con el próximo trío insignia de Galaxy. Sin embargo, podría haber otra herramienta de inteligencia artificial notable asociada con el Galaxy S24, que puede darle una oportunidad a la serie Pixel 8 de Google. Ahora, el filtrador Mystery Lupin ha compartido en X lo que aparece como la lista de funciones basadas en IA en el Galaxy S24 y el Galaxy S24 Ultra. El extracto destaca algunos de los que ya se especularon en filtraciones anteriores, pero también menciona una nueva edición generativa. En consecuencia, la función está disponible tanto para los modelos Ultra como para los que no son Ultra. Se describe para atender el movimiento o la eliminación de objetos en las fotografías. Posteriormente, también puede generar o llenar los espacios vacíos creados al mover objetos seleccionados a una nueva área fuera de la foto original. Por si sirve de algo, refleja el Magic Editor de Google, que es una característica exclusiva del Pixel 8 Pro (revisión) y se basa en capacidades de IA generativa. Fue demostrado por el gigante de la búsqueda, incluso se pueden generar áreas faltantes de objetos como bancos y globos. Presumiblemente, Generative Edit de Samsung debería ser tan capaz como Magic Editor. El Magic Editor de Google, basado en inteligencia artificial, puede generar áreas vacías y objetos completos. / © Google, Editado por nextpit En la descripción, también se indica que el uso de Generative Edit en el Galaxy S24 requiere que los usuarios inicien sesión con una cuenta Samsung y tengan una conexión a Internet activa. Esto sugiere que no será un proceso de IA completamente integrado y necesita la nube para que funcione completamente, que es similar al Magic Editor en el Pixel 8 Pro. El resto de las funciones enumeradas aparecen como capacidades en el dispositivo, incluido Live Translate que está integrado en la aplicación del teléfono Samsung y Nightography Zoom para tomas ampliadas con poca luz y alta resolución. También hay una función sin imágenes llamada Screen Display que proporciona velocidades de fotogramas estables y un nivel de brillo optimizado al jugar o transmitir. Los informes más recientes indican que Samsung celebrará un evento el 17 de enero en San José donde se debería anunciar la serie Galaxy S24 y posiblemente junto con el rastreador de ejercicios Galaxy Fit 3. Curiosamente, el Galaxy S24 y el Galaxy S24+ estarán equipados con un SoC Exynos 2400 en algunos mercados, por lo que indica que Galaxy AI no se limita a los modelos Snapdragon. Oferta de afiliado ¿Estas incorporaciones de IA lo convencerán de actualizar al Galaxy S24? Compártenos tus respuestas en los comentarios.
IA y ciberseguridad: luchando contra el cambiante panorama de amenazas En el mundo interconectado de hoy, la ciberseguridad se ha convertido en una preocupación crítica para individuos, empresas y gobiernos por igual. La sofisticación cada vez mayor de las amenazas cibernéticas plantea desafíos importantes a las medidas de seguridad tradicionales. A medida que las organizaciones luchan por seguir el ritmo de la evolución de las técnicas de ataque, recurren a un poderoso aliado: la inteligencia artificial (IA). La IA ha surgido como un punto de inflexión en el ámbito de la ciberseguridad, al ofrecer nuevas formas de detectar, prevenir y mitigar las ciberamenazas. En este artículo, profundizaremos en la intersección de la IA y la ciberseguridad y exploraremos cómo este dúo dinámico está remodelando la batalla contra el panorama de amenazas en evolución. El auge de la IA en la ciberseguridad El campo de la IA ha sido testigo de enormes avances en los últimos años y su aplicación en la ciberseguridad está revolucionando la forma en que abordamos la defensa digital. Los sistemas de seguridad tradicionales, a menudo basados en enfoques basados en reglas o firmas, han demostrado ser inadecuados contra amenazas cibernéticas sofisticadas y en rápida evolución. La IA aporta un nuevo nivel de inteligencia y adaptabilidad, permitiendo que los sistemas de seguridad aprendan de grandes cantidades de datos, identifiquen patrones y tomen decisiones informadas en tiempo real. Una de las áreas clave en las que la IA ha logrado avances significativos es en la detección de amenazas. Los sistemas impulsados por IA pueden analizar volúmenes masivos de datos, como el tráfico de red, el comportamiento del usuario y los registros del sistema, para detectar anomalías y posibles violaciones de seguridad. Al aprovechar los algoritmos de aprendizaje automático, estos sistemas pueden perfeccionar continuamente sus modelos y adaptarse a nuevos vectores de ataque, manteniéndose un paso por delante de los ciberdelincuentes. Mejora de la detección y prevención de intrusiones Los sistemas de detección y prevención de intrusiones (IDPS) desempeñan un papel crucial en la protección de las redes contra accesos no autorizados y actividades maliciosas. Con la IA, los desplazados internos pueden volverse más inteligentes y eficaces a la hora de identificar y responder a las amenazas. Al aprovechar los algoritmos de IA, estos sistemas pueden analizar el tráfico de la red en tiempo real, identificar patrones sospechosos y bloquear o señalar amenazas potenciales antes de que puedan causar daño. Los algoritmos de aprendizaje automático también se pueden entrenar para reconocer firmas y comportamientos de ataques conocidos, lo que permite al sistema defenderse proactivamente contra ataques que se han observado previamente. Además, la IA puede aprender de datos históricos para identificar patrones de ataque nuevos y desconocidos, que las medidas de seguridad tradicionales a menudo pasan desapercibidas. Esta capacidad de detectar ataques de día cero y amenazas nunca antes vistas es invaluable en un panorama de amenazas en constante evolución. Los IDPS impulsados por IA también pueden automatizar la respuesta a incidentes, lo que permite una mitigación más rápida y eficiente de las amenazas cibernéticas. Al emplear el aprendizaje automático para analizar y clasificar incidentes de seguridad, las organizaciones pueden reducir la carga de los analistas humanos y responder a las amenazas en tiempo real, minimizando así el impacto de posibles infracciones. Combatir las amenazas persistentes avanzadas (APT) Las amenazas persistentes avanzadas (APT) plantean un desafío importante para las organizaciones de todo el mundo. Los APT son ataques muy sofisticados y sigilosos que a menudo los llevan a cabo adversarios bien financiados con objetivos específicos en mente. Estos ataques pueden pasar desapercibidos durante largos períodos y causar daños sustanciales antes de ser descubiertos. La IA ofrece un arma poderosa en la lucha contra las APT. Al analizar grandes cantidades de datos, los sistemas impulsados por IA pueden identificar anomalías sutiles e indicadores de compromiso que pueden ser indicativos de un ataque APT en curso. Los algoritmos de aprendizaje automático pueden detectar patrones en el tráfico de la red, el comportamiento del usuario y los registros del sistema, identificando desviaciones del comportamiento normal que pueden indicar una presencia de APT. Además, la IA puede ayudar a correlacionar datos de múltiples fuentes y detectar secuencias de ataques complejas que pueden abarcar diferentes sistemas o períodos de tiempo. Al conectar los puntos e identificar el panorama más amplio, los sistemas impulsados por IA pueden proporcionar información valiosa a los equipos de seguridad, permitiéndoles responder con rapidez y eficacia a los ataques APT. Abordar las amenazas internas Las amenazas internas, ya sean intencionales o no, pueden tener consecuencias devastadoras para las organizaciones. Los empleados con acceso privilegiado pueden comprometer datos, sistemas o redes de forma inadvertida o maliciosa. Identificar y mitigar las amenazas internas requiere un enfoque proactivo e inteligente. La IA puede ayudar a abordar las amenazas internas analizando el comportamiento de los usuarios y detectando anomalías que pueden indicar intenciones maliciosas o cuentas comprometidas. Al monitorear actividades como el acceso a datos, las transferencias de archivos y los inicios de sesión en el sistema, los sistemas impulsados por IA pueden establecer patrones de comportamiento básicos para las personas y generar alertas cuando se producen desviaciones. Este enfoque proactivo ayuda a las organizaciones a identificar posibles amenazas internas y tomar medidas adecuadas para evitar filtraciones de datos u otras actividades maliciosas. Desafíos y limitaciones Si bien la unión de la IA y la ciberseguridad es muy prometedora, no está exenta de desafíos. Una preocupación importante es la posibilidad de que se produzcan ataques adversarios a los propios sistemas de inteligencia artificial. Los adversarios pueden intentar manipular o engañar a los algoritmos de IA, lo que genera falsos positivos o negativos, socavando así la eficacia de las medidas de seguridad. Los investigadores y profesionales están trabajando activamente en el desarrollo de sistemas de IA robustos y resilientes que puedan resistir este tipo de ataques y mantener la integridad de las defensas de ciberseguridad. La privacidad es otra consideración crítica al implementar soluciones de seguridad basadas en IA. El análisis de grandes cantidades de datos para identificar amenazas puede generar preocupaciones sobre la privacidad, ya que puede implicar la recopilación y el análisis de información personal o confidencial. Lograr el equilibrio adecuado entre seguridad y privacidad es una tarea delicada que requiere un diseño e implementación cuidadosos de los sistemas de IA. Además, la dependencia de la IA en la ciberseguridad no debería eclipsar la importancia de la experiencia humana. Si bien la IA puede automatizar ciertas tareas y mejorar las capacidades de detección, los analistas humanos desempeñan un papel vital en la interpretación de los resultados, la toma de decisiones informadas y la respuesta a amenazas complejas. La colaboración entre los sistemas de IA y los analistas humanos es clave para lograr una defensa eficaz de la ciberseguridad. De cara al futuro A medida que las ciberamenazas sigan evolucionando en sofisticación y escala, la adopción de la IA en la ciberseguridad será cada vez más crucial. La IA tiene el potencial de transformar la forma en que nos defendemos contra los ciberataques, proporcionando soluciones de seguridad inteligentes y adaptables que pueden seguir el ritmo del panorama de amenazas que cambia rápidamente. Al aprovechar las capacidades de la IA en detección de amenazas, prevención de intrusiones, mitigación de APT y detección de amenazas internas, las organizaciones pueden mejorar sus defensas de ciberseguridad y reducir el riesgo de filtraciones de datos y otros incidentes cibernéticos. Sin embargo, es fundamental abordar con cautela la integración de la IA en la ciberseguridad. Deben existir salvaguardias y consideraciones éticas adecuadas para garantizar el uso responsable y seguro de las tecnologías de IA. La investigación continua, la colaboración y el intercambio de conocimientos entre las comunidades de ciberseguridad y de IA serán esenciales para adelantarse a los ciberdelincuentes y mantener defensas sólidas. En conclusión, la asociación entre la IA y la ciberseguridad tiene un inmenso potencial en la batalla en curso contra las ciberamenazas. Al aprovechar el poder de la IA para detectar, prevenir y mitigar ataques, las organizaciones pueden reforzar su postura de seguridad y salvaguardar sus activos digitales. A medida que la tecnología continúa evolucionando, también deben hacerlo nuestras defensas. Con la IA como nuestra aliada, podemos afrontar el panorama de amenazas en constante cambio con confianza y resiliencia.
Comparte en tu plataforma favorita El aprendizaje automático (ML), es un subcampo de la inteligencia artificial. Enfocándose en el desarrollo de algoritmos y modelos estadísticos. Estos módulos permiten a las computadoras aprender de los datos, sin estar programados explícitamente. Es una herramienta poderosa para dar sentido a grandes cantidades de datos y ya ha cambiado el mundo de muchas maneras, desde vehículos autónomos y reconocimiento de voz hasta detección de fraude y recomendaciones personalizadas. En esencia, el aprendizaje automático consiste en encontrar patrones en los datos. El objetivo es identificar relaciones entre diferentes características de los datos y utilizar estas relaciones para hacer predicciones o decisiones. Para ello, los algoritmos de aprendizaje automático utilizan modelos matemáticos y métodos estadísticos para analizar los datos e identificar los patrones subyacentes. Hay tres tipos principales de aprendizaje automático: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. Aprendizaje supervisado El aprendizaje supervisado es el tipo más común de aprendizaje automático e implica el uso de datos etiquetados para entrenar el algoritmo. En el aprendizaje supervisado, el algoritmo recibe un conjunto de entradas (características) y salidas (etiquetas) e intenta aprender la relación entre ellas. Una vez que el algoritmo ha aprendido esta relación, puede utilizarla para hacer predicciones sobre datos nuevos e invisibles. Por ejemplo, un algoritmo de aprendizaje supervisado podría entrenarse en un conjunto de datos de imágenes de dígitos escritos a mano, junto con sus etiquetas correspondientes (el dígito que está escrito en la imagen). Una vez entrenado, el algoritmo se puede utilizar para reconocer nuevos dígitos escritos a mano. Aprendizaje no supervisado El aprendizaje no supervisado, por otro lado, implica el uso de datos sin etiquetar para encontrar patrones en los datos. En el aprendizaje no supervisado, el algoritmo intenta identificar la estructura de los datos sin ninguna guía o supervisión. Por ejemplo, se podría utilizar un algoritmo de aprendizaje no supervisado para agrupar imágenes similares, incluso si el algoritmo no sabe qué representan las imágenes. El aprendizaje por refuerzo es un tipo de ML que implica entrenar algoritmos para tomar decisiones en un entorno. En el aprendizaje por refuerzo, el algoritmo recibe recompensas o penalizaciones por sus acciones e intenta maximizar sus recompensas a lo largo del tiempo. El aprendizaje por refuerzo se utiliza a menudo en robótica y sistemas de control, donde el algoritmo debe controlar un sistema físico para lograr un objetivo determinado. Independientemente del tipo de aprendizaje automático, el proceso de entrenamiento de un algoritmo de aprendizaje automático se puede dividir en varios pasos: Recopilación y preprocesamiento de datos: el primer paso en el entrenamiento de un algoritmo de aprendizaje automático es recopilar y preparar los datos. Por lo general, esto implica recopilar datos de varias fuentes, limpiarlos y preprocesarlos, y dividirlos en conjuntos de entrenamiento y prueba. Ingeniería de características: una vez que los datos han sido preprocesados, el siguiente paso es seleccionar y transformar las características (entradas) que utilizará el algoritmo. Este paso a menudo se denomina ingeniería de características e implica seleccionar las características más importantes y transformarlas de manera que mejoren el rendimiento del algoritmo. Selección del modelo: una vez seleccionadas y transformadas las características, el siguiente paso es elegir el tipo correcto de algoritmo de aprendizaje automático a utilizar. Hay muchos algoritmos diferentes para elegir, cada uno con sus propias fortalezas y debilidades. Algunos de los algoritmos más utilizados incluyen la regresión lineal, los árboles de decisión y las redes neuronales. Entrenamiento: una vez seleccionado el modelo, el siguiente paso es entrenar el algoritmo con los datos. Durante el entrenamiento, el algoritmo actualiza sus parámetros para minimizar el error entre sus predicciones y los resultados reales. El objetivo es encontrar los parámetros que resulten en el mejor rendimiento de los datos de entrenamiento. Evaluación: una vez entrenado el algoritmo, el siguiente paso es evaluar su rendimiento. Por lo general, esto implica hacer predicciones en un conjunto de pruebas separado y comparar las predicciones con los resultados reales. La precisión de las predicciones se utiliza para medir el rendimiento del algoritmo. Ajuste de hiperparámetros: después de la evaluación inicial, el siguiente paso es ajustar el rendimiento del algoritmo ajustando sus hiperparámetros. Los hiperparámetros son los parámetros que no se aprenden de los datos, sino que los establece el usuario. Ejemplos de hiperparámetros incluyen la tasa de aprendizaje en el descenso de gradiente, la cantidad de nodos ocultos en una red neuronal o la profundidad de un árbol de decisión. El objetivo del ajuste de hiperparámetros es encontrar los valores óptimos de los hiperparámetros que resulten en el mejor rendimiento de los datos de prueba. Implementación: una vez que el algoritmo ha sido entrenado y evaluado, está listo para implementarse en un escenario del mundo real. En muchos casos, esto implica integrar el algoritmo en un sistema más grande, como un sitio web, una aplicación móvil o un proceso de fabricación. El aprendizaje automático es la fuerza impulsora de muchas aplicaciones, el famoso ChatGPT se basa en el aprendizaje automático. En conclusión, el aprendizaje automático es una herramienta poderosa que se puede utilizar para encontrar patrones en los datos y hacer predicciones o decisiones basadas en esos patrones. El proceso de entrenamiento de un algoritmo de aprendizaje automático implica recopilar y preprocesar datos, seleccionar y transformar características, elegir un modelo, entrenar el modelo, evaluar su desempeño y ajustar su desempeño ajustando sus hiperparámetros. Con los datos, las funciones y los algoritmos adecuados, el aprendizaje automático tiene el potencial de revolucionar muchas industrias y cambiar la forma en que vivimos nuestras vidas. Relacionado Comparte en tu plataforma favorita