Las restricciones de seguridad de Apple para Vision Pro están creando obstáculos para los desarrolladores de aplicaciones, pero los futuros usuarios estarán contentos de ver las protecciones de privacidad implementadas. Vision Pro se lanzó solo en los Estados Unidos en febrero, y se espera que China y varios otros países lleguen a finales de este año. Por lo tanto, no sorprende que los desarrolladores de aplicaciones quieran quedarse con una porción del pastel. Sin embargo, según The Information a través de 9to5Mac, Apple está limitando los tipos de aplicaciones que las empresas quieren crear. Los desarrolladores se han quejado de que no pueden utilizar las cámaras integradas del dispositivo. Por ejemplo, Antony Vitillo, desarrollador del juego de fitness AR HitMotion, afirmó que quería acceder a las cámaras del producto para que los usuarios pudieran «interactuar» con elementos del mundo real, como sacos de boxeo. Los límites de privacidad de Apple Vision Pro Sin embargo, Apple no permite que las aplicaciones accedan a ese nivel de datos por razones de privacidad, y con razón. No hace mucho que la gente recordará la controversia en torno a los auriculares Google Glass AR. Los usuarios se sentían incómodos con la omnipresencia de una cámara en unos auriculares, con preocupaciones generalizadas sobre la protección de datos y la privacidad. Apple es conocida desde hace mucho tiempo por sus fuertes medidas de privacidad, por lo que los usuarios y desarrolladores pueden esperar que no sea menos estricto con este tipo de producto también. Si bien algunas aplicaciones pueden querer acceder a la cámara por razones puramente prácticas y útiles, abrir esa puerta también podría permitir la entrada de algunas personas o grupos con mentalidad maliciosa. No importa qué tan buena sea la aplicación, probablemente no valga la pena entregar acceso potencialmente ilimitado a una cámara que la gente tendrá en exhibición en sus hogares. Con datos recientes de HP, publicados por Forbes, que muestran que al 49% de los estadounidenses les preocupa que alguien los mire a través de su cámara web, esto sólo puede ser un obstáculo bienvenido desde el punto de vista de los consumidores. Es una suerte que Apple tenga al menos una marca en su libro con respecto al Vision Pro, después de recibir críticas tras su lanzamiento por el precio deslumbrante. Imagen de portada: Apple
Etiqueta: datos
En la era contemporánea marcada por rápidos avances tecnológicos y demandas de los consumidores en constante cambio, las empresas se encuentran en un perpetuo estado de adaptación e innovación. El principio fundamental para lograr el éxito en este entorno dinámico es la utilización estratégica de datos y tecnología de punta para tomar decisiones informadas a gran escala. Pega emerge como pionero en el ámbito de la toma de decisiones basada en IA, brindando a las empresas las herramientas y capacidades para mejorar cada interacción con el cliente a través de la automatización, optimización y personalización altamente personalizada. Al aprovechar el poder de las soluciones innovadoras de Pega, las organizaciones pueden navegar por las complejidades del panorama digital con agilidad y precisión, garantizando experiencias incomparables para sus clientes. Aprovechar el poder de los datos con la toma de decisiones de IA GenAI de Pega, una IA generativa para la empresa, está revolucionando la participación del cliente al permitir a las empresas desbloquear todo el potencial de sus datos. Con la optimización de la estrategia basada en IA, las empresas ahora pueden atraer a los clientes con contenido vibrante adaptado a sus preferencias. A través de un ciclo de optimización continuo, Pega GenAI ayuda a descubrir oportunidades, generar contenido personalizado e involucrar a los clientes en tiempo real. Ya sea identificando segmentos desatendidos, generando automáticamente nuevos tratamientos o adaptando mensajes dinámicamente, Pega GenAI pone el poder de la toma de decisiones basada en IA en manos de las empresas. Redefiniendo la participación del cliente con asistentes de IA En la era de la automatización, Pega lidera la tendencia con asistentes impulsados por IA para agentes y chatbots. Estos asistentes potencian la productividad de los agentes al sintetizar las interacciones y el conocimiento en resúmenes concisos, lo que permite a los agentes brindar un soporte perfecto. Además, los chatbots impulsados por IA de Pega están transformando el autoservicio, permitiendo a los clientes encontrar soluciones de forma independiente. Al ampliar las habilidades del chatbot con conjuntos de datos de capacitación generados automáticamente y capacitar dinámicamente a los agentes con simulaciones autónomas, Pega está redefiniendo la participación del cliente. Desarrollo rápido de aplicaciones con código bajo generado por IA Atrás quedaron los días de largos ciclos de desarrollo. Con las capacidades de código bajo generadas por IA de Pega, las empresas pueden pasar de ideas revolucionarias a aplicaciones empresariales en minutos. Al convertir automáticamente ideas en flujos de trabajo, asignar integraciones a sistemas back-end y generar datos de prueba sobre la marcha, Pega acelera el desarrollo de aplicaciones como nunca antes. Además, los desarrolladores cuentan con sugerencias de conversación, lo que aumenta la productividad y fomenta la innovación. Compromiso personalizado con información en tiempo real Pega permite a las empresas ofrecer experiencias fluidas, relevantes y empáticas mediante la toma de decisiones sobre la siguiente mejor acción en tiempo real. Al analizar las señales de los clientes y unificar los conocimientos en todos los canales, las empresas pueden hiperpersonalizar las interacciones y adaptarse a las necesidades inmediatas de sus clientes. Con decisiones siempre activas basadas en IA, Pega garantiza que cada punto de contacto con el cliente esté optimizado para lograr el máximo impacto. Automatización de ventas y servicios con flujos de trabajo impulsados por IA Las soluciones Customer Service™ y Sales Automation™ de Pega están impulsando experiencias de ventas y servicios más rápidas y personalizadas. Al contener volúmenes de centros de contacto con opciones de autoservicio, optimizar las interacciones con las siguientes mejores acciones e integrar flujos de trabajo directamente en los sistemas existentes, Pega agiliza los procesos y mejora la satisfacción del cliente. Optimización de procesos con Process AI y Process Mining Pega’s Platform™ permite a las empresas hacer que los procesos sean más inteligentes, menos manuales y más optimizados con Process AI y Process Mining. Al monitorear, optimizar y mejorar los procesos con IA, las empresas pueden crear flujos de trabajo basados en IA que respondan de manera proactiva a las condiciones cambiantes. Acelerar el desarrollo con código bajo asistido por IA La implementación de aplicaciones empresariales, a escala, nunca ha sido tan fácil con las capacidades de código bajo asistido por IA de Pega. Al generar automáticamente aplicaciones de código bajo, desde la idea hasta la implementación en minutos, Pega permite a las empresas innovar rápidamente mientras mantienen la gobernanza y el cumplimiento. En conclusión, las soluciones de toma de decisiones basadas en inteligencia artificial de Pega están revolucionando la forma en que las empresas interactúan con los clientes, agilizan los procesos e impulsan el crecimiento. Al aprovechar el poder de los datos y la IA, las empresas pueden mejorar cada experiencia y mantenerse a la vanguardia en el dinámico mercado actual. Con Pega como socio, las posibilidades son ilimitadas.
Los jefes de datos de la región de Asia y el Pacífico están buscando seriamente el despliegue de la inteligencia artificial, según una encuesta internacional de Informatica entre 600 líderes de datos globales. India está a la cabeza en la región: el 75% de los encuestados ya ha adoptado la IA generativa. Sin embargo, los encuestados de APAC enfrentan obstáculos en torno a la gestión de datos para la IA. Estos incluyen la fragmentación de datos en medio de una cantidad cada vez mayor de fuentes de datos, la calidad de los datos disponibles para la IA y la incorporación de una gobernanza de datos que sea lo suficientemente sólida para el desafío de la IA. Richard Scott, vicepresidente senior de Asia-Pacífico y Japón de Informatica, dijo que la alfabetización en datos es importante para respaldar la gestión de datos organizacionales. Scott recomendó implementar una arquitectura de datos en la nube desde el principio y centrarse en las personas, los procesos y la tecnología. La IA está impulsando un enfoque paralelo en la gestión de datos. Los líderes de datos de APAC dijeron que la capacidad de ofrecer datos confiables y consistentes aptos para la IA generativa (40%) era la principal prioridad de la estrategia de datos para 2024, junto con la mejora de la gobernanza y los procesos de datos (40%). Esto indica que la IA está impulsando un enfoque mutuo en la gestión de datos. VER: Los 10 principales beneficios de una mejor calidad de datos para su organización. La íntima conexión entre la IA y los datos también se reflejó en las intenciones de inversión. Tres de cada cuatro (78%) jefes de datos de APAC predijeron que sus inversiones en datos aumentarían en 2024. Ninguno de los encuestados no planeaba invertir en capacidades de gestión de datos de alguna forma. La inversión regional en capacidades de datos clave está aumentando. Varias capacidades de gestión de datos están recibiendo inversiones en línea con las prioridades de la estrategia de datos. La privacidad y protección de datos ocupó el primer lugar (45%), lo que refleja la necesidad de mantener los datos privados y seguros en medio de un aumento en un entorno de ciberseguridad que cambia rápidamente. Le siguieron la calidad y observabilidad de los datos (42%) y la integración e ingeniería de datos (40%). «Estamos viendo un aumento en la calidad de los datos como área de enfoque y en la gobernanza de los datos», dijo Scott. «Así que la IA realmente impulsará una especie de nueva ola de limpieza de los conjuntos de datos». VER: Cómo ve Matthew Candy de IBM la búsqueda de Australia de una escala de IA generativa en 2024. Más cobertura en Australia La IA está planteando muchos desafíos en la gestión de datos Según los resultados de la encuesta global de Informatica, que se obtuvieron de líderes de datos en organizaciones con más de 500 millones de dólares en ingresos, casi todos (99%) los líderes de datos habían encontrado obstáculos en su viaje hacia la IA. incluidos los de APAC. Fragmentación y crecimiento de datos Los líderes de datos de APAC esperan que la fragmentación y la complejidad de los datos empeoren en 2024. Informatica descubrió que el 56 % de los líderes de datos tenían dificultades para equilibrar más de 1000 fuentes de datos. Además, el 78% de los líderes de datos de APAC esperan que la cantidad de fuentes de datos aumente este año calendario. «Solo el año pasado, Informatica procesó alrededor de 86 billones de transacciones en la nube al mes, un 60% más que el año anterior», explicó Scott. “Entonces, mientras las organizaciones intentan poner en orden su centro de datos, los datos siguen explotando; Estamos viendo este crecimiento realmente explosivo”, afirmó. Calidad de los datos y sesgo del modelo de IA La calidad de los datos fue considerada el mayor desafío para la IA generativa por el 42% de los encuestados a nivel mundial. La posibilidad de sesgo se destacó como una preocupación particular en APAC debido a los grandes modelos lingüísticos; El 53% de los encuestados australianos dijeron que evitar los prejuicios era su mayor preocupación (Figura A). Figura A: La calidad de los datos es un desafío importante para los líderes de datos de todo el mundo en la carrera por la IA. Imagen: Informatica “En la era de la analítica, si se tuvieran bases de datos deficientes, se tomaría la decisión equivocada más rápidamente”, afirmó Scott. «Del mismo modo, si tienes un entorno de gestión de datos deficiente, obtendrás una respuesta de la IA generativa, pero puede llevarte en la dirección equivocada». La alfabetización en datos fuera del ámbito de los datos La alfabetización en datos organizacionales está frenando el avance de la IA, según los líderes de datos encuestados. Por ejemplo, el 98% de los líderes de datos globales dijeron que habían experimentado obstáculos organizacionales no técnicos para una mejor gestión de datos, como la falta de apoyo de liderazgo. Mejorar la cultura basada en datos y la alfabetización en datos fue nombrado por el 39% de los líderes de datos globales como una de las principales prioridades para 2024. Mejorar la alfabetización en datos fue la segunda medida más importante (42%) de la efectividad de la estrategia de datos, solo superada por la preparación de los datos para la IA. e iniciativas de análisis. “Nuestro director ejecutivo de Informatica habla mucho sobre el hecho de que, dado que las empresas subcontratan aplicaciones, edificios y tantos otros aspectos de un negocio, para muchas empresas su único activo son los datos. Por lo tanto, tiene que ser una prioridad realmente alta para el equipo ejecutivo y la junta directiva”, dijo Scott. Un crecimiento en las herramientas de gestión de datos El número de herramientas de gestión de datos está creciendo. Dos tercios (60%) de los líderes de APAC dicen que necesitarán cinco o más herramientas de gestión de datos para respaldar las prioridades y gestionar los conjuntos de datos, un aumento con respecto al número de jefes de datos que necesitaban esta cantidad de herramientas en 2023 (55%). Gobernanza y democratización de datos Mejorar la gobernanza de datos y procesos fue nombrado por el 40% de los líderes de datos regionales como una de las principales prioridades de la estrategia de datos para 2024. Los líderes de datos de APAC también pusieron el mayor énfasis (67%) en permitir una mayor democratización de los datos en toda su organización al utilizarlos. IA generativa. Esto está impulsando a los proveedores a ofrecer servicios y herramientas de gobernanza. Informatica lanzó recientemente una herramienta integrada de gestión de acceso a datos en la nube tras la adquisición de Privitar, que ayuda a respaldar la gestión, el intercambio y el uso de datos en jurisdicciones de todo el mundo. VER: La gobernanza de datos será un enfoque renovado en TI para las organizaciones australianas en 2024. Informatica también ofrece un mercado de datos de autoservicio diseñado para «democratizar» el acceso a los datos. Los usuarios pueden solicitar y acceder a datos según los permisos. Los datos se entregan con calificaciones de relevancia y calidad de los datos y se realiza un seguimiento para que los administradores de datos comprendan cómo se utilizan. Arquitectura fundamental para afrontar el desafío de los datos Richard Scott de Informatica aconsejó a los líderes de datos regionales implementar la arquitectura de nube adecuada para soportar la escala y centrarse en las personas y los procesos, así como en la tecnología. Comience con la arquitectura de nube adecuada Las organizaciones deben comenzar asegurándose de que su arquitectura de nube sea sólida, dijo Scott, ya que hacerlo bien desde el principio respaldará los esfuerzos futuros de escalamiento. «Cuando estás escalando y no tienes el tipo correcto de arquitectura de gestión de datos cuando te metes en verdaderos problemas», dijo Scott. Scott añadió que conseguir una arquitectura de nube desde el principio también es más barato. «Las empresas con múltiples contratos de nube pagan mucho dinero en costos de entrada y salida entre nubes», dijo Scott. «Una arquitectura de nube incorrecta no sólo da como resultado un entorno que tal vez no pueda soportar la IA generativa, sino que también es muy costosa». El cliente de Informatica, NRMA, una de las organizaciones con miembros más antiguas de Australia, está trabajando exitosamente con más de 3000 conjuntos de datos. Las organizaciones que se esfuerzan por lograr la arquitectura correcta pueden controlar los datos y tener un impacto material en su patrimonio de datos, dijo Scott. Observe a las personas, los procesos y la tecnología La naturaleza del desafío de los datos significa que las organizaciones deben considerar de manera más integral a las personas, los procesos y la tecnología. Scott dijo que para los líderes de datos en organizaciones que intentan solucionar los problemas a medida que surgen, puede parecer como «poner el dedo en el dique para detener una inundación». “Lo que sucederá es que si simplemente tapamos cada pequeño agujero en el dique obteniendo una nueva aplicación o escribiendo algún código, terminaremos con un entorno muy fragmentado, que será muy frágil. Es necesario observar a las personas, los procesos y la tecnología y tener una comprensión clara de hacia dónde se dirige; entonces podrá incorporar tecnología que se integrará increíblemente bien y le brindará la capacidad de transportar datos a través de su entorno”.
Microsoft, uno de los mayores inversores en OpenAI, restringió temporalmente el acceso de los empleados al ChatGPT de OpenAI el jueves 9 de noviembre de 2023, citando “preocupaciones de seguridad y datos”. La restricción se revirtió rápidamente y se restableció el acceso a ChatGPT después de que la empresa identificó su error. Antecedentes ChatGPT es un popular chatbot de IA creado por OpenAI que compone respuestas similares a las de los humanos a los mensajes de chat de las personas. El servicio tiene más de 100 millones de usuarios y ha sido capacitado con una gran cantidad de datos de Internet. Microsoft ha invertido más de 13 mil millones de dólares en OpenAI. Sin embargo, un informe de CNBC revela que al personal de Microsoft se le prohibió temporalmente el acceso a ChatGPT. En el momento de la prohibición, hubo afirmaciones de que Microsoft restringió el acceso a ChatGPT para parte del personal debido a preocupaciones de seguridad y privacidad. Respuesta de Microsoft Un portavoz de Microsoft dijo que la prohibición de acceso temporal se produjo cuando la empresa estaba probando el modelo de lenguaje grande (LLM). Dijo que hubo un error durante la prueba del sistema de control de la terminal LLM. Sin embargo, recomendó a los empleados que utilizaran Bing Chat Enterprise y ChatGPT Enterprise. El personal afirma que los productos anteriores tienen mejor seguridad y privacidad. El portavoz dejó claro que la prohibición fue un error y no intencionada. Noticias de la semana de Gizchina El CEO de Microsoft, Nadella, dijo que estábamos probando el sistema de control de terminal de LLM y sin darnos cuenta activamos esta opción para todos los usuarios, y poco después de descubrir el error, restauramos el servicio… Reacciones e implicaciones El bloqueo temporal en el acceso a ChatGPT por parte de los empleados de Microsoft ha expresado su preocupación por el uso de servicios de inteligencia artificial como ChatGPT. Muchas grandes marcas tienen acceso restringido a ChatGPT, a menudo para evitar el intercambio de datos confidenciales. El incidente destaca la necesidad de que las empresas sean cautelosas al utilizar servicios de inteligencia artificial de terceros. Microsoft restringió temporalmente el acceso de los empleados al ChatGPT de OpenAI debido a problemas de seguridad y datos. Sin embargo, la restricción se revirtió rápidamente después de que la empresa identificara su error. El incidente destaca la necesidad de que las empresas tengan precaución al utilizar servicios de inteligencia artificial de terceros. Las marcas también deben garantizar que los datos de los usuarios permanezcan seguros.
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