El Portal de las Tecnologías para la Innovación

Chubut Digital

Computación espacial de Immersed: transformando la colaboración en el trabajo remoto

Big Data y Analítica Avanzada, Cambio Climático y Sostenibilidad, Innovaciones Tecnológicas, Inteligencia Artificial Generativa, Inteligencia Artificial News, Nube e Infraestructura como Servicio /

 Con Immersed , cualquier lugar con acceso a internet puede ser tu oficina completamente equipada.  “Incluso como empresa remota, detestamos el trabajo remoto”, afirma Ryan Yep, director de alianzas y estrategia GTM de Immersed . “ Nos impide tener la experiencia de trabajar en la oficina”. Con Immersed , cualquier lugar con acceso a internet puede ser tu oficina completamente equipada.  Algunos profesionales han probado auriculares de computación espacial para imitar la sensación de colaboración de un entorno de oficina, pero la mayoría son voluminosos, requieren cables y pesan 450 g o más. La frustración con el estándar actual llevó a Immersed a crear Visor , unos auriculares de computación espacial de 170 g con pantallas micro-OLED de 4K por ojo. Visor está diseñado específicamente para la app Immersed y su asistente de IA, Curator.  Impulsando la experiencia del visor El Visor de Immersed te permite acceder a cinco pantallas virtuales 4K para una experiencia totalmente inmersiva. Esta configuración se ejecuta sin problemas con IA local en una torre Dell Pro Max con NVIDIA RTX™ 6000 Ada Generation acelerada . El Visor puede conectarse o conectarse de forma inalámbrica con una batería. Para las empresas que gestionan datos confidenciales, la opción con cable mantiene los modelos de IA de Curator completamente locales para una privacidad total de los datos.   Detrás del cristal Visor crea múltiples pantallas virtuales 4K integrándose en el sistema operativo. Ryan Yep explica que un verdadero asistente personal de IA como Curator se beneficia enormemente de las estaciones de trabajo Dell Pro Max con tecnología de computación acelerada de NVIDIA .  Cuando se le pidió que profundizara, comentó: « Dell, con la NVIDIA RTX 6000 Ada Generation, es capaz de gestionar la codificación de vídeo y el procesamiento de IA de forma local. Eso es lo que convierte a NVIDIA y Dell en excelentes socios». Continuó: «Las GPU NVIDIA ofrecen una nitidez de pantalla 4K en las gafas. Nadie ha ofrecido este nivel de nitidez y facilidad de uso en un dispositivo lo suficientemente ligero como para ofrecer comodidad durante todo el día; por eso, la computación espacial no se ha adoptado ampliamente a nivel empresarial».  “La gente no adoptará esta tecnología a menos que sea al menos cinco o diez veces mejor que trabajar con un monitor físico”.   Ken Glass, de Dell Technologies, explica cómo el hardware impulsa la experiencia Visor: «Puedes usar una GPU NVIDIA RTX 1000 de generación Ada para portátiles con Visor. Con opciones más recientes como la NVIDIA RTX 6000 , los usuarios pueden acceder a hasta ocho pantallas virtuales». Las PC Dell Pro Max aprovechan al máximo el potencial de las GPU NVIDIA RTX. Las tarjetas gráficas NVIDIA están diseñadas para escalar en aplicaciones donde el rendimiento y la fiabilidad son esenciales.   Immersed resuelve problemas que van más allá del teletrabajo totalmente colaborativo. Para personas con trastornos de atención, Visor actúa como un sistema de cancelación de ruido visual, permitiendo la personalización de las pantallas virtuales, a la vez que mantiene la privacidad del trabajo sensible, sin necesidad de pantalla de privacidad. En entornos sensibles, proporciona privacidad sin hardware adicional.  El asistente de inteligencia artificial que actúa, no solo chatea Curator es el asistente de IA que reside localmente en tu estación de trabajo, no en la nube. A diferencia de los chatbots típicos, Curator actúa en tu máquina. «Aprende de las reuniones y conversaciones. Recuerda dónde enviaste un mensaje o qué se discutió hace semanas y ejecuta tareas a nivel de sistema», explica Yep. Curator puede ejecutarse localmente en lugar de en la nube. Los equipos de finanzas, salud, educación superior, manufactura o defensa pueden proteger la propiedad intelectual con su propio firewall mientras se benefician de la IA generativa. Con la seguridad en mente, Dell ofrece las PC comerciales más seguras y fáciles de administrar del mercado, diseñadas para brindar tranquilidad a los clientes y proteger a sus organizaciones contra las ciberamenazas en constante evolución¹. Transformando el trabajo en todas las industrias Una enfermera que usa Visor puede acceder a la información del paciente de forma privada. Los analistas financieros pueden organizar múltiples pantallas de datos sin monitores físicos. Los ingenieros pueden colaborar en modelos 3D en espacios virtuales compartidos.  Para los emprendedores, la tecnología reduce los requisitos de capital inicial. «Puedes ahorrar en gastos inmobiliarios si no quieres una oficina tradicional», añade Yep. «Con la ayuda de la IA, necesitarás menos miembros del equipo para hacer realidad tu visión».  El entorno de Computación Espacial abre nuevas formas de colaboración. «Puedo hablar contigo por teléfono y podemos ver cómo se diseña un modelo 3D en entornos interactivos y colaborativos», explica Glass.  Conexión humana en la computación espacial La tecnología de  Immersed representa un cambio fundamental en la interacción en el lugar de trabajo. El equipo combinala potencia informática de escritorio de Dell con la arquitectura gráfica de NVIDIA para pruebas y desarrollo. Su arquitectura incluye núcleos tensoriales y de trazado de rayos. Gracias a la experiencia de Immersed en computación espacial, crean herramientas que se adaptan a las necesidades humanas. Estos avances eliminan la necesidad de que las personas se adapten a la tecnología. “Estamos completamente integrados en el ecosistema”, añadió Glass. “Nos convertimos en parte del entorno y no en extraños que miran desde afuera”.  Visor está disponible para pedidos anticipados hoy (por orden de llegada) y las entregas comenzarán este año.  Para obtener más información sobre las PC Dell Pro Max² con tecnología GPU NVIDIA RTX, haga clic aquí .  1 Declaración obligatoria: La opción más segura se basa en un análisis interno de Dell de octubre de 2024. Aplicable a PC con procesadores Intel. No todas las funciones están disponibles en todas las PC. Se requiere una compra adicional para algunas funciones. Validado por Principled Technologies. https://www.principledtechnologies.com/Dell/OEM-security-feature-comparison-0424.pdf, abril de 2024. Las PC comerciales más administrables al comparar las capacidades de administración de sistemas de los procesos de actualización de Dell, las capacidades de la solución de administración de Dell y las integraciones con soluciones de administración de terceros, con los procesos de actualización de la competencia, las capacidades de la solución de administración de sistemas y las integraciones con soluciones de administración de terceros. Las soluciones de administración de terceros (Microsoft Intune y Workspace ONE) se adquieren por separado. Intel vPro, para admitir la administración de sistemas fuera de banda, es una actualización adicional de la configuración del sistema. Basado en un análisis interno de Dell de abril de 2024  . Restricciones geográficas: No

Computación espacial de Immersed: transformando la colaboración en el trabajo remoto Leer más »

An anomaly detection framework anyone can use

Ciberseguridad y Protección de Datos, Inteligencia Artificial en la Salud Humana, Inteligencia Artificial Generativa, Inteligencia Artificial News, La IA aplicada a la Educación, Papers de Investigación Científica, Robótica y Automatización /

PhD student Sarah Alnegheimish wants to make machine learning systems accessible. Sarah Alnegheimish’s research interests reside at the intersection of machine learning and systems engineering. Her objective: to make machine learning systems more accessible, transparent, and trustworthy. Alnegheimish is a PhD student in Principal Research Scientist Kalyan Veeramachaneni’s Data-to-AI group in MIT’s Laboratory for Information and Decision Systems (LIDS). Here, she commits most of her energy to developing Orion, an open-source, user-friendly machine learning framework and time series library that is capable of detecting anomalies without supervision in large-scale industrial and operational settings. Early influence  The daughter of a university professor and a teacher educator, she learned from an early age that knowledge was meant to be shared freely. “I think growing up in a home where education was highly valued is part of why I want to make machine learning tools accessible.” Alnegheimish’s own personal experience with open-source resources only increased her motivation. “I learned to view accessibility as the key to adoption. To strive for impact, new technology needs to be accessed and assessed by those who need it. That’s the whole purpose of doing open-source development.” Alnegheimish earned her bachelor’s degree at King Saud University (KSU). “I was in the first cohort of computer science majors. Before this program was created, the only other available major in computing was IT [information technology].” Being a part of the first cohort was exciting, but it brought its own unique challenges. “All of the faculty were teaching new material. Succeeding required an independent learning experience. That’s when I first time came across MIT OpenCourseWare: as a resource to teach myself.” Shortly after graduating, Alnegheimish became a researcher at the King Abdulaziz City for Science and Technology (KACST), Saudi Arabia’s national lab. Through the Center for Complex Engineering Systems (CCES) at KACST and MIT, she began conducting research with Veeramachaneni. When she applied to MIT for graduate school, his research group was her top choice. Creating Orion Alnegheimish’s master thesis focused on time series anomaly detection — the identification of unexpected behaviors or patterns in data, which can provide users crucial information. For example, unusual patterns in network traffic data can be a sign of cybersecurity threats, abnormal sensor readings in heavy machinery can predict potential future failures, and monitoring patient vital signs can help reduce health complications. It was through her master’s research that Alnegheimish first began designing Orion. Orion uses statistical and machine learning-based models that are continuously logged and maintained. Users do not need to be machine learning experts to utilize the code. They can analyze signals, compare anomaly detection methods, and investigate anomalies in an end-to-end program. The framework, code, and datasets are all open-sourced. “With open source, accessibility and transparency are directly achieved. You have unrestricted access to the code, where you can investigate how the model works through understanding the code. We have increased transparency with Orion: We label every step in the model and present it to the user.” Alnegheimish says that this transparency helps enable users to begin trusting the model before they ultimately see for themselves how reliable it is. “We’re trying to take all these machine learning algorithms and put them in one place so anyone can use our models off-the-shelf,” she says. “It’s not just for the sponsors that we work with at MIT. It’s being used by a lot of public users. They come to the library, install it, and run it on their data. It’s proving itself to be a great source for people to find some of the latest methods for anomaly detection.” Repurposing models for anomaly detection In her PhD, Alnegheimish is further exploring innovative ways to do anomaly detection using Orion. “When I first started my research, all machine-learning models needed to be trained from scratch on your data. Now we’re in a time where we can use pre-trained models,” she says. Working with pre-trained models saves time and computational costs. The challenge, though, is that time series anomaly detection is a brand-new task for them. “In their original sense, these models have been trained to forecast, but not to find anomalies,” Alnegheimish says. “We’re pushing their boundaries through prompt-engineering, without any additional training.” Because these models already capture the patterns of time-series data, Alnegheimish believes they already have everything they need to enable them to detect anomalies. So far, her current results support this theory. They don’t surpass the success rate of models that are independently trained on specific data, but she believes they will one day. Accessible design Alnegheimish talks at length about the efforts she’s gone through to make Orion more accessible. “Before I came to MIT, I used to think that the crucial part of research was to develop the machine learning model itself or improve on its current state. With time, I realized that the only way you can make your research accessible and adaptable for others is to develop systems that make them accessible. During my graduate studies, I’ve taken the approach of developing my models and systems in tandem.” The key element to her system development was finding the right abstractions to work with her models. These abstractions provide universal representation for all models with simplified components. “Any model will have a sequence of steps to go from raw input to desired output.  We’ve standardized the input and output, which allows the middle to be flexible and fluid. So far, all the models we’ve run have been able to retrofit into our abstractions.” The abstractions she uses have been stable and reliable for the last six years. The value of simultaneously building systems and models can be seen in Alnegheimish’s work as a mentor. She had the opportunity to work with two master’s students earning their engineering degrees. “All I showed them was the system itself and the documentation of how to use it. Both students were able to develop their own models with the abstractions we’re conforming to. It reaffirmed that we’re taking the right path.”

An anomaly detection framework anyone can use Leer más »

Un marco de detección de anomalías que cualquiera puede usar

Inteligencia Artificial Generativa, Inteligencia Artificial News, La IA aplicada a la Educación, Papers de Investigación Científica, Robótica y Automatización /

La estudiante de doctorado Sarah Alnegheimish quiere hacer que los sistemas de aprendizaje automático sean accesibles. Los intereses de investigación de Sarah Alnegheimish se centran en la intersección del aprendizaje automático y la ingeniería de sistemas. Su objetivo: hacer que los sistemas de aprendizaje automático sean más accesibles, transparentes y fiables. Alnegheimish es estudiante de doctorado en el grupo de Datos a IA del Científico Investigador Principal Kalyan Veeramachaneni, en el Laboratorio de Sistemas de Información y Decisión (LIDS) del MIT. Allí, dedica la mayor parte de su energía al desarrollo de Orion, un marco de aprendizaje automático y una biblioteca de series temporales de código abierto y fácil de usar, capaz de detectar anomalías sin supervisión en entornos industriales y operativos a gran escala. Influencia temprana  Hija de un profesor universitario y una formadora de docentes, aprendió desde pequeña que el conocimiento debía compartirse libremente. «Creo que haber crecido en un hogar donde la educación era muy valorada es parte de la razón por la que quiero que las herramientas de aprendizaje automático sean accesibles». Su propia experiencia con recursos de código abierto no hizo más que aumentar su motivación. «Aprendí a ver la accesibilidad como la clave para la adopción. Para lograr un impacto, quienes necesitan acceder a las nuevas tecnologías deben ser evaluados. Ese es el propósito del desarrollo de código abierto». Alnegheimish obtuvo su licenciatura en la Universidad Rey Saud (KSU). «Formé parte de la primera promoción de informática. Antes de la creación de este programa, la única otra especialización disponible en informática era TI [tecnología de la información]». Formar parte de la primera promoción fue emocionante, pero también presentó sus propios desafíos. «Todo el profesorado enseñaba material nuevo. Para superarlo, era necesario un aprendizaje independiente. Fue entonces cuando descubrí por primera vez MIT OpenCourseWare: como un recurso para mi propio aprendizaje». Poco después de graduarse, Alnegheimish se incorporó como investigadora a la Ciudad Rey Abdul Aziz para la Ciencia y la Tecnología (KACST), el laboratorio nacional de Arabia Saudita. A través del Centro de Sistemas de Ingeniería Complejos (CCES) de KACST y del MIT, comenzó a investigar con Veeramachaneni. Cuando solicitó plaza en el MIT para cursar un posgrado, su grupo de investigación fue su primera opción. Creando Orión La tesis de maestría de Alnegheimish se centró en la detección de anomalías en series temporales: la identificación de comportamientos o patrones inesperados en los datos, que pueden proporcionar información crucial a los usuarios. Por ejemplo, patrones inusuales en los datos de tráfico de red pueden ser una señal de amenazas de ciberseguridad, lecturas anormales de sensores en maquinaria pesada pueden predecir posibles fallos futuros, y la monitorización de las constantes vitales de los pacientes puede ayudar a reducir las complicaciones de salud. Fue a través de su investigación de maestría que Alnegheimish comenzó a diseñar Orion. Orion utiliza modelos estadísticos y basados ​​en aprendizaje automático que se registran y mantienen continuamente. Los usuarios no necesitan ser expertos en aprendizaje automático para utilizar el código. Pueden analizar señales, comparar métodos de detección de anomalías e investigar anomalías en un programa integral. El marco, el código y los conjuntos de datos son de código abierto. Con el código abierto, la accesibilidad y la transparencia se logran directamente. Se tiene acceso ilimitado al código, donde se puede investigar cómo funciona el modelo a través de la comprensión del código. Con Orion, hemos aumentado la transparencia: etiquetamos cada paso del modelo y lo presentamos al usuario. Alnegheimish afirma que esta transparencia ayuda a que los usuarios comiencen a confiar en el modelo antes de comprobar por sí mismos su fiabilidad. “Intentamos reunir todos estos algoritmos de aprendizaje automático en un solo lugar para que cualquiera pueda usar nuestros modelos listos para usar”, afirma. “No es solo para los patrocinadores con los que trabajamos en el MIT. Lo utilizan muchos usuarios públicos. Acuden a la biblioteca, lo instalan y lo ejecutan con sus datos. Está demostrando ser una excelente fuente para encontrar algunos de los métodos más recientes de detección de anomalías”. Reutilización de modelos para la detección de anomalías En su doctorado, Alnegheimish continúa explorando formas innovadoras de detectar anomalías con Orion. «Cuando comencé mi investigación, todos los modelos de aprendizaje automático debían entrenarse desde cero con los datos. Ahora podemos usar modelos preentrenados», afirma. Trabajar con modelos preentrenados ahorra tiempo y costos computacionales. Sin embargo, el desafío radica en que la detección de anomalías en series temporales es una tarea completamente nueva para ellos. «En su sentido original, estos modelos se entrenaron para pronosticar, pero no para detectar anomalías», afirma Alnegheimish. «Estamos ampliando sus límites mediante ingeniería rápida, sin capacitación adicional». Dado que estos modelos ya capturan los patrones de datos de series temporales, Alnegheimish cree que ya cuentan con todo lo necesario para detectar anomalías. Hasta el momento, sus resultados actuales respaldan esta teoría. No superan la tasa de éxito de los modelos entrenados independientemente con datos específicos, pero ella cree que algún día lo harán. Diseño accesible Alnegheimish habla extensamente sobre los esfuerzos que ha realizado para hacer Orion más accesible. «Antes de llegar al MIT, pensaba que la parte crucial de la investigación era desarrollar el propio modelo de aprendizaje automático o mejorar su estado actual. Con el tiempo, me di cuenta de que la única manera de hacer que tu investigación sea accesible y adaptable para otros es desarrollar sistemas que la hagan accesible. Durante mis estudios de posgrado, adopté el enfoque de desarrollar mis modelos y sistemas en conjunto». El elemento clave para el desarrollo de su sistema fue encontrar las abstracciones adecuadas para sus modelos. Estas abstracciones proporcionan una representación universal para todos los modelos con componentes simplificados. «Cualquier modelo tendrá una secuencia de pasos para ir desde la entrada sin procesar hasta la salida deseada. Hemos estandarizado la entrada y la salida, lo que permite que la parte intermedia sea flexible y fluida. Hasta ahora, todos los modelos que hemos ejecutado se han adaptado a nuestras abstracciones». Las abstracciones que

Un marco de detección de anomalías que cualquiera puede usar Leer más »

3 preguntas: ¿Cómo ayudar a los estudiantes a reconocer posibles sesgos en sus conjuntos de datos de IA?

Ciberseguridad y Protección de Datos, Inteligencia Artificial en la Salud Humana, Inteligencia Artificial Generativa, Inteligencia Artificial News, La Ética y la Inteligencia Artificial, La IA aplicada a la Educación, Papers de Investigación Científica /

Los cursos sobre el desarrollo de modelos de IA para la atención médica deben centrarse más en identificar y abordar los sesgos, afirma Leo Anthony Celi. Cada año, miles de estudiantes toman cursos que les enseñan a implementar modelos de inteligencia artificial que pueden ayudar a los médicos a diagnosticar enfermedades y determinar los tratamientos adecuados. Sin embargo, muchos de estos cursos omiten un elemento clave: capacitar a los estudiantes para detectar fallos en los datos de entrenamiento utilizados para desarrollar los modelos. Leo Anthony Celi, investigador principal del Instituto de Ingeniería y Ciencias Médicas del MIT, médico del Centro Médico Beth Israel Deaconess y profesor asociado de la Facultad de Medicina de Harvard, ha documentado estas deficiencias en un nuevo artículo y espera persuadir a los desarrolladores de cursos para que enseñen a los estudiantes a evaluar sus datos con mayor profundidad antes de incorporarlos a sus modelos. Numerosos estudios previos han demostrado que los modelos entrenados principalmente con datos clínicos de hombres blancos no funcionan bien cuando se aplican a personas de otros grupos. En este artículo, Celi describe el impacto de este sesgo y cómo los educadores podrían abordarlo en sus enseñanzas sobre modelos de IA. P: ¿Cómo se introduce el sesgo en estos conjuntos de datos y cómo se pueden abordar estas deficiencias? R: Cualquier problema en los datos se integrará en cualquier modelado de los mismos. Anteriormente, hemos descrito instrumentos y dispositivos que no funcionan bien en diferentes individuos. Por ejemplo, descubrimos que  los oxímetros de pulso sobreestiman los niveles de oxígeno en personas de color, debido a que no hubo suficientes personas de color inscritas en los ensayos clínicos de los dispositivos. Recordamos a nuestros estudiantes que los dispositivos y equipos médicos están optimizados para hombres jóvenes sanos. Nunca se optimizaron para una mujer de 80 años con insuficiencia cardíaca, y aun así los utilizamos para esos fines. La FDA no exige que un dispositivo funcione bien en la población tan diversa en la que lo usaremos. Solo necesitan una prueba de su eficacia en sujetos sanos. Además, el sistema de historiales médicos electrónicos no está en condiciones de ser utilizado como base de la IA. Estos registros no fueron diseñados para ser un sistema de aprendizaje, por lo que hay que ser muy cuidadoso al usarlos. El sistema de historiales médicos electrónicos será reemplazado, pero eso no ocurrirá pronto, así que debemos ser más inteligentes. Necesitamos ser más creativos al usar los datos que tenemos ahora, por muy deficientes que sean, para desarrollar algoritmos. Una vía prometedora que estamos explorando es el desarrollo de un  modelo transformador de datos numéricos de historias clínicas electrónicas, que incluya, entre otros, los resultados de pruebas de laboratorio. Modelar la relación subyacente entre las pruebas de laboratorio, los signos vitales y los tratamientos puede mitigar el efecto de la falta de datos como resultado de los determinantes sociales de la salud y los sesgos implícitos de los proveedores. P: ¿Por qué es importante que los cursos de IA aborden las posibles fuentes de sesgo? ¿Qué encontró al analizar el contenido de dichos cursos? R:  Nuestro curso en el MIT comenzó en 2016, y en algún momento nos dimos cuenta de que estábamos animando a la gente a competir para construir modelos sobreajustados a alguna medida estadística de rendimiento, cuando en realidad los datos que utilizamos están plagados de problemas que la gente desconoce. En ese momento, nos preguntábamos: ¿Cuán común es este problema? Nuestra sospecha era que, si se analizaban los cursos con el programa de estudios disponible en línea, ninguno se molestaba en advertir a los estudiantes sobre la importancia de ser precavidos con los datos. Y, en efecto, al analizar los diferentes cursos en línea, todo giraba en torno a la construcción del modelo. ¿Cómo se construye el modelo? ¿Cómo se visualizan los datos? Descubrimos que, de los 11 cursos que revisamos, solo cinco incluían secciones sobre sesgo en los conjuntos de datos, y solo dos contenían una discusión significativa sobre el sesgo. Dicho esto, no podemos subestimar el valor de estos cursos. He escuchado muchas historias de personas que estudian por su cuenta basándose en estos cursos en línea, pero al mismo tiempo, dada su influencia y su impacto, necesitamos redoblar nuestros esfuerzos para exigirles que enseñen las habilidades adecuadas, ya que cada vez más personas se sienten atraídas por este multiverso de la IA. Es importante que las personas se doten de la capacidad necesaria para trabajar con IA. Esperamos que este informe ilumine esta enorme brecha en la forma en que enseñamos IA a nuestros estudiantes. P: ¿Qué tipo de contenido deberían incorporar los desarrolladores de cursos? R: Primero, darles una lista de verificación con preguntas al principio. ¿De dónde provienen estos datos? ¿Quiénes fueron los observadores? ¿Quiénes fueron los médicos y enfermeros que recopilaron los datos? Y luego, aprender un poco sobre el panorama de esas instituciones. Si se trata de una base de datos de UCI, deben preguntar quién ingresa y quién no, porque eso ya introduce un sesgo de selección en el muestreo. Si todos los pacientes pertenecientes a minorías ni siquiera ingresan en la UCI porque no pueden llegar a tiempo, entonces los modelos no les funcionarán. Sinceramente, para mí, el 50% del contenido del curso debería ser comprender los datos, o incluso más, porque el modelado en sí es fácil una vez que se comprenden los datos. Desde 2014, el consorcio de Datos Críticos del MIT organiza maratones de datos (hackatones de datos) en todo el mundo. En estos encuentros, médicos, enfermeras, otros profesionales sanitarios y científicos de datos se reúnen para analizar bases de datos y analizar la salud y la enfermedad en el contexto local. Libros de texto y artículos de revistas científicas presentan enfermedades basándose en observaciones y ensayos clínicos que involucran a un grupo demográfico reducido, generalmente de países con recursos para la investigación.  Nuestro principal objetivo ahora, lo que queremos enseñarles, es el pensamiento crítico. Y el ingrediente principal del pensamiento crítico es unir a personas de diferentes orígenes. No se puede enseñar

3 preguntas: ¿Cómo ayudar a los estudiantes a reconocer posibles sesgos en sus conjuntos de datos de IA? Leer más »

DHL Group firma un memorando de entendimiento con Boston Dynamics para la implementación de 1.000 robots adicionales y acelera la estrategia de automatización entre empresas.

Bigtech y Fintech, Cambio Climático y Sostenibilidad, Robótica y Automatización /

De cara al futuro, DHL planea ampliar la gama de aplicaciones de los robots, incluyendo nuevos usos como la preparación de cajas. Bonn, Alemania / Waltham, Massachusetts (EE. UU.), 13 de mayo de 2025 – DHL Group, proveedor líder mundial de logística, ha firmado un Memorando de Entendimiento (MOU) estratégico con Boston Dynamics, líder mundial en robótica avanzada. Basándose en el éxito demostrado del robot Stretch de Boston Dynamics —diseñado para la manipulación de cajas e implementado inicialmente por DHL para automatizar la descarga de contenedores—, el acuerdo allana el camino para el despliegue global de más de 1000 unidades adicionales. De cara al futuro, DHL planea ampliar la gama de aplicaciones de los robots, incluyendo nuevos usos como la preparación de cajas. Este acuerdo marca un hito importante en una colaboración ya exitosa, iniciada en 2018 y que desde entonces ha generado mejoras tangibles en la automatización logística. DHL Supply Chain, la división de logística por contrato del Grupo, ha liderado el camino, introduciendo Stretch comercialmente en Norteamérica en 2023 y, más recientemente, ampliando sus implementaciones al Reino Unido y a toda Europa. Hasta la fecha, las implementaciones de Stretch han alcanzado velocidades de descarga de hasta 700 cajas por hora y han contribuido a una mayor satisfacción de los empleados al reducir la necesidad de trabajos físicamente exigentes en remolques fríos o calientes. La colaboración también ha impulsado el desarrollo conjunto de productos con soluciones de automatización integral que integran transportadores y paletizadores, como se demostró en el proyecto del Reino Unido. Para seguir consolidando estos éxitos, DHL Group está explorando activamente cómo la tecnología puede beneficiar a otras unidades de negocio. Una prioridad clave es la preparación de cajas, la actividad que requiere más mano de obra dentro de DHL Supply Chain, que representa el próximo gran desarrollo para maximizar el impacto de Stretch más allá de la descarga de contenedores. “A través de nuestra agenda de Digitalización Acelerada, nos comprometemos a maximizar el impacto de la robótica y la automatización en todas nuestras operaciones y unidades de negocio”, afirmó Sally Miller, CIO Global de DHL Supply Chain. “Se trata de un cambio fundamental que está transformando nuestra forma de operar y mejorando el servicio a nuestros clientes. Gracias a esta alianza ampliada con Boston Dynamics, DHL asumirá un papel más activo en la configuración y dirección del desarrollo de la robótica junto con socios clave, centrándose en crear soluciones más resilientes, ágiles e inteligentes que aborden los desafíos únicos de nuestra empresa. Juntos, estamos estableciendo nuevos estándares para la industria logística”. Como parte de su compromiso con la innovación interempresarial, DHL garantiza que los avances exitosos desarrollados dentro de la división de Cadena de Suministro se evalúen y adapten para su implementación en todo el Grupo, maximizando el impacto a escala. En los últimos tres años, el Grupo DHL ha invertido más de mil millones de euros en automatización, solo en su división de logística de contratos. En toda su red global, el Grupo utiliza actualmente más de 7500 robots, más de 200 000 dispositivos portátiles inteligentes y cerca de 800 000 sensores IoT para optimizar las operaciones, mejorar las condiciones laborales de los empleados y ofrecer valor medible a los clientes. Actualmente, más del 90 % de los almacenes de DHL en todo el mundo están equipados con al menos una solución de automatización o digitalización. DHL está reforzando su estrategia de automatización líder en la industria al poner mayor énfasis en el desarrollo conjunto de soluciones con socios de robótica nuevos y establecidos, en lugar de confiar únicamente en tecnologías disponibles en el mercado. El modelo de colaboración entre DHL y Boston Dynamics lo consigue. DHL Group ofrece entornos operativos reales como campo de pruebas para tecnologías avanzadas, proporcionando retroalimentación crucial y perspectivas específicas del sector. Más allá de una relación tradicional con proveedores, las empresas desarrollarán, probarán y escalarán conjuntamente soluciones en tiempo real. Esto permite a DHL centrarse en sus principales fortalezas logísticas, mientras que los principales innovadores mundiales en robótica crean tecnologías a medida para las necesidades de la empresa y del sector logístico. Este enfoque abierto y operativamente integrado también permite a DHL y Boston Dynamics desarrollar conjuntamente soluciones como Stretch, a la vez que exploran nuevas sinergias entre divisiones. Robert Playter, director ejecutivo de Boston Dynamics, comentó: «Nos enorgullece seguir fortaleciendo nuestra colaboración con DHL Group. Nuestros equipos han innovado juntos para crear una solución robótica de almacén práctica y eficaz, y este es el siguiente paso natural en lo que ha sido una excelente relación. Stretch es ideal para ser el primer robot multiusos de preparación de cajas que puede satisfacer las diversas necesidades de DHL. Juntos nos esforzamos por ser un ejemplo de liderazgo práctico en la cadena de suministro moderna». Como parte de la Estrategia 2030, el Grupo DHL busca formalizar aún más sus alianzas con líderes tecnológicos, impulsando no solo la implementación a gran escala, sino también el desarrollo conjunto, la coinversión y modelos de colaboración más profundos. Este enfoque integrado, que abarca desde alianzas en robótica hasta programas de incentivos mutuamente beneficiosos, desempeñará un papel fundamental para consolidar la robótica y la automatización como motores clave del crecimiento sostenible a largo plazo en todo el Grupo DHL. Boston Dynamics News. Traducido al español

DHL Group firma un memorando de entendimiento con Boston Dynamics para la implementación de 1.000 robots adicionales y acelera la estrategia de automatización entre empresas. Leer más »

Qualcomm anuncia las startups preseleccionadas para el programa Qualcomm AI para Innovadores 2025 – APAC

Eventos Tecnológicos, Inteligencia Artificial Generativa, Inteligencia Artificial News, Startups /

Nos complace anunciar las 15 empresas emergentes preseleccionadas seleccionadas para avanzar en el Programa Qualcomm AI para Innovadores (QAIPI) 2025. Estas empresas emergentes (cinco de Japón, Singapur y Corea del Sur) fueron elegidas por sus esfuerzos pioneros en innovación en IA y entrarán en la Fase de Mentoría del programa, que culminará en un Demo Day de alto perfil a fines de 2025. Lanzado a principios de este año, QAIPI 2025 está diseñado para capacitar a desarrolladores profesionales y startups de la región Asia-Pacífico para desarrollar aplicaciones de IA escalables utilizando las plataformas Qualcomm®. Los participantes aprovechan el Qualcomm® AI Hub y reciben acceso a recursos técnicos, capacitación y mentoría para crear casos de uso de IA optimizados de extremo a extremo en las áreas de movilidad, computación e IoT. Los candidatos preseleccionados de Japón, Singapur y Corea del Sur ingresarán a una fase de mentoría de seis meses y exhibirán soluciones impulsadas por tecnologías Qualcomm® en un día de demostración. Los 15 equipos preseleccionados trabajan en una amplia gama de aplicaciones, como la atención médica inteligente, la robótica, el comercio minorista, el audio y el transporte. Estos campos reflejan la creciente demanda de IA en tiempo real y de bajo consumo en los dispositivos. Las startups seleccionadas son (en orden alfabético): Japón: Singapur: Corea del Sur: Durante los próximos seis meses, los equipos seleccionados participarán en la Fase de Mentoría, donde recibirán apoyo personalizado de Qualcomm Technologies. Esto incluye mentoría técnica directa, acceso a las plataformas de hardware y kits de desarrollo de Qualcomm Technologies, así como una beca de desarrollo de hasta US$5000 para apoyar el desarrollo. Además, los equipos podrán optar a un incentivo de hasta US$5000 para la presentación de patentes. El programa culminará con un Demo Day virtual en el cuarto trimestre de 2025, donde las startups presentarán sus soluciones de IA a un público selecto de líderes de la industria, inversores y posibles colaboradores. «Estamos entusiasmados de presenciar la extraordinaria innovación que surge de la región Asia-Pacífico a través de QAIPI», afirmó OH Kwon, vicepresidente sénior y presidente de Qualcomm APAC. Estas 15 startups preseleccionadas demuestran el enorme potencial de la región para definir el futuro de las industrias impulsadas por la IA. Qualcomm se enorgullece de apoyar a estos innovadores en el desarrollo de sus soluciones, lo que refuerza nuestro compromiso de impulsar el crecimiento del ecosistema de IA en Asia-Pacífico. «En Qualcomm, nos dedicamos a fomentar la innovación y construir un ecosistema más sólido para las tecnologías impulsadas por IA», afirmó Sudeepto Roy, vicepresidente de Ingeniería de Qualcomm Incorporated y líder del Programa de Desarrollo de Ecosistemas Globales de Qualcomm. Nos entusiasma colaborar con estos equipos excepcionales, brindándoles plataformas de vanguardia y mentoría técnica para ayudarles a transformar sus innovaciones en IA en aplicaciones prácticas. Juntos, esperamos abrir nuevas oportunidades a medida que continúan expandiendo los límites de la IA en dispositivos. Suscríbete al boletín mensual para desarrolladores Únase a miles de desarrolladores de todo el mundo que reciben las últimas noticias y actualizaciones a través de nuestro boletín mensual seleccionado. Inscribirse Qualcomm AI Hub permite una inteligencia artificial de borde escalable con recursos listos para desarrolladores. Subtítulo: Equipos preseleccionados del Programa de IA de Qualcomm para Innovadores 2025 – APAC Los 15 equipos preseleccionados trabajan en una amplia gama de aplicaciones, como la atención médica inteligente, la robótica, el comercio minorista, el audio y el transporte, cada una respondiendo a desafíos urgentes y locales en toda Asia. Estas innovaciones reflejan la creciente demanda de IA en tiempo real y de bajo consumo en los dispositivos. Desde el impulso de Japón para humanizar la robótica y descarbonizar la logística marítima, hasta la IA multilingüe y la tecnología de salud materna de Singapur, y la apuesta de Corea del Sur por una IA hiperpersonalizada y federada, estas startups ejemplifican cómo las necesidades regionales están dando forma a soluciones con relevancia global. Las startups seleccionadas son (en orden alfabético): Japón: un país con una fuerte herencia industrial y desafíos demográficos, Japón está adoptando la IA y la robótica para transformar las sociedades envejecidas, optimizar las industrias tradicionales e impulsar la frontera de la interacción hombre-máquina. Singapur: como ciudad-estado tecnológicamente avanzado y centro regional de inteligencia artificial, Singapur está abordando la inclusión multilingüe, el acceso a la atención médica y la desinformación con plataformas de inteligencia artificial escalables y exportables. Corea del Sur: Reconocida por su infraestructura digital e intensidad de innovación, Corea del Sur está impulsando el aprendizaje federado, los sistemas de datos urbanos y la inteligencia artificial en dispositivos para mejorar la privacidad, la gestión de la ciudad y los dispositivos de consumo de próxima generación. Próximos pasos Estos 15 equipos inician un intenso proceso de mentoría de seis meses con Qualcomm Technologies. Manténganse al tanto de su progreso durante la Fase de Mentoría QAIPI 2025 y el Demo Day a finales de este año. Obtenga más información sobre Qualcomm AI Hub y los recursos para desarrolladores: https://aihub.qualcomm.com/ Qualcomm Blog. M. N. Traducido al español

Qualcomm anuncia las startups preseleccionadas para el programa Qualcomm AI para Innovadores 2025 – APAC Leer más »

La era de la IA física: dentro del intento de P-1 de construir un cerebro de ingeniería

Cambio Climático y Sostenibilidad, Ciberseguridad y Protección de Datos, Innovaciones Tecnológicas, Inteligencia Artificial Generativa, Inteligencia Artificial News /

La inteligencia artificial ha enseñado a las máquinas a escribir prosa y generar imágenes. Ahora, emerge una nueva frontera, donde el software no solo interpreta el mundo, sino que ayuda a construirlo.  Este es el auge de la IA física: sistemas entrenados no con palabras ni imágenes, sino con las limitaciones del mundo real, como la fricción, el calor, la vibración y la fuerza. Una de las líderes de este movimiento es una nueva startup llamada P-1 AI . Fundada por el ejecutivo aeroespacial Paul Eremenko, Adam Nagel y el exalumno de DeepMind Aleksa Gordić, P-1 está desarrollando una máquina llamada Archie, un aprendiz digital diseñado para colaborar con ingenieros en tareas de diseño complejas. Archie no está diseñado para responder preguntas triviales ni escribir resúmenes. Se está entrenando para razonar a través de sistemas multifísicos, explorar compensaciones y, eventualmente, ayudar a diseñar máquinas del mundo real, desde sistemas de climatización hasta naves espaciales. En una entrevista con IBM Think , Gordić imagina un futuro en el que herramientas como Archie podrían incluso ayudar a diseñar megaestructuras especulativas, como naves espaciales. “Estamos haciendo algo llamado automatización cognitiva del trabajo en el espacio de diseño”, dice Gordić. El director ejecutivo de NVIDIA, Jensen Huang, ha enfatizado la importancia de esta dirección, calificando la IA física como la nueva «revolución industrial» en varias charlas recientes. También ha descrito la IA física como el motor del futuro de la compañía, enfatizando que la fusión de modelos generativos con robótica y simulación permitirá a las máquinas comprender y navegar por el mundo real con una capacidad sin precedentes. Por consiguiente, NVIDIA está optimizando cada vez más sus plataformas de hardware no solo para el entrenamiento de grandes modelos de lenguaje (LLM), sino también para tareas de razonamiento físico en ámbitos como la conducción autónoma, la robótica y los gemelos digitales. Diseño con restricciones La plataforma de P-1 utiliza aprendizaje de refuerzo y redes neuronales gráficas para generar conjuntos de datos sintéticos, modelar variaciones de diseño y simular el comportamiento de sistemas físicos, lo que hace en milisegundos, no en horas. En lugar de reemplazar las herramientas CAD o los solvers, Archie se está capacitando para trabajar con ellos. Selecciona la herramienta adecuada para la tarea y la utiliza como lo haría un ingeniero júnior. Los flujos de trabajo de simulación tradicionales pueden tardar horas o incluso días en probar un solo diseño. Archie utiliza redes neuronales de grafos para aproximar esas simulaciones en milisegundos, lo que permite una iteración mucho más rápida. Según Gordić, el objetivo no es solo la velocidad, sino reflejar cómo piensan realmente los ingenieros. «Los humanos básicamente razonan de primer orden… los márgenes de error son enormes», afirma. El diseño en el mundo real, añade, suele ser una negociación entre restricciones que compiten entre sí, más que un simple problema de optimización. «Si se muestrea demasiado lejos de los diseños, las cosas empiezan a fallar. Pero quizás así es como también surge la innovación». El enfoque inicial de la empresa es pragmático, afirma Gordić. Dado que los centros de datos consumen más energía y generan más calor que nunca, P-1 está implementando Archie en el sector de la refrigeración industrial, donde puede ayudar a diseñar sistemas de climatización (HVAC) más eficientes. «Es un sector con claras limitaciones físicas y urgencia comercial», afirma Gordić. El sistema ya se está entrenando con modelos a nivel de componentes de ventiladores, compresores e intercambiadores de calor. Y en lugar de simular el flujo de aire de forma abstracta, Archie está aprendiendo a tomar las decisiones que un ingeniero de diseño real podría tomar al equilibrar la eficiencia del flujo de aire con el coste, el ruido y el espacio ocupado. Johannes Jakubik, científico investigador de IBM, ve paralelismos entre Archie y el trabajo que se realiza en IBM Research. En una entrevista, Jakubik explicó a IBM Think que modelos como TerraMind, un modelo fundamental desarrollado para imágenes satelitales y teledetección, están diseñados para subsanar la falta de datos en la observación de la Tierra mediante la generación de imágenes sintéticas donde faltan imágenes reales. «En lugar de simplemente interpretar datos, estamos desarrollando modelos que pueden analizar la información faltante y simular lo que no pudimos observar directamente», afirma. Señala la capacidad de TerraMind para traducir datos de radar en imágenes ópticas sintéticas como un paso crucial hacia sistemas de IA multimodal que comprendan el contexto espacial. «Estos sistemas no solo generan imágenes», afirma. «Realizan una especie de inferencia física». Jakubik también destaca la importancia de la adaptación específica al dominio. «Hemos descubierto que entrenar modelos con un profundo conocimiento de la física subyacente a un problema genera predicciones más estables y fiables», afirma. «No basta con escalar los modelos; tenemos que hacerlos inteligentes respecto al mundo en el que operan». Escalando la ambición desde los centros de datos hasta el cosmos Los sistemas de refrigeración son solo el comienzo. La ambición de P-1, según Gordić, es ampliar las capacidades de Archie en dominios de productos cada vez más complejos, desde vehículos eléctricos hasta la industria aeroespacial. Para ello, la empresa está desarrollando prototipos de módulos que podrían respaldar el diseño estructural, térmico y electromagnético dentro del mismo marco de agentes. La visión a largo plazo es construir una IA de propósito general que pueda colaborar significativamente en la creación de tecnologías que aún no existen. «No pretendemos construir una IA que reemplace a los ingenieros», afirma Gordić. «Intentamos construir una que les ayude a explorar más posibilidades». Para lograrlo, P-1 ha tenido que superar uno de los obstáculos más notorios del campo: la escasez de datos de entrenamiento utilizables en ingeniería. A diferencia de los conjuntos de datos en lenguaje natural, los conjuntos de datos de ingeniería rara vez son públicos y suelen estar fragmentados en silos propietarios. Gordić señala que incluso el diseño de aeronaves, uno de los campos mejor documentados, cuenta con relativamente pocos puntos de datos accesibles. La respuesta de P-1 es generar datos sintéticos mediante estrategias de muestreo basadas en la física. La idea es crear conjuntos de datos

La era de la IA física: dentro del intento de P-1 de construir un cerebro de ingeniería Leer más »

Cómo la ciencia de quemar edificios allana el camino hacia avances en IA

Cambio Climático y Sostenibilidad, Innovaciones Tecnológicas, Inteligencia Artificial Generativa, Inteligencia Artificial News /

Detrás de los constructores: Rajiv Mongia y el equipo térmico de Intel están superando los límites para mantener el calor alejado de la Ley de Moore y de los grandes chips de IA que cada vez son más grandes y más potentes. «La IA ya está causando estragos en los sistemas energéticos globales», tituló Bloomberg el verano pasado. Y no cesa. Un informe reciente de la Agencia Internacional de la Energía predijo que el consumo de electricidad de los centros de datos se duplicará con creces, alcanzando unos 945 TWh para 2030, impulsado por la IA. Esto equivale aproximadamente a la necesidad de la energía generada por cinco presas más de las Tres Gargantas de China en los próximos cinco años. La energía es necesaria no solo para operar flotas de computadoras potentes, sino también para evitar que se sobrecalienten. Las GPU y los aceleradores que llenan los centros de datos de IA actuales pueden generar cada uno más de 1 kilovatio de calor. Los únicos dispositivos de consumo que podrían requerir esa cantidad de energía son, literalmente, los calefactores: calefactores, secadores de pelo, microondas o hervidores eléctricos turbo. Y los chips de IA de alta potencia serán cada vez más grandes y resistentes. «Al alcanzar un billón de transistores en una GPU y de dos a tres kilovatios de potencia para 2030», afirma Rajiv Mongia de Intel, «será muy interesante resolver el problema térmico». ¿Cómo resolvemos este dilema energético y liberamos el potencial futuro de la IA? La respuesta de Mongia a su «divertido problema» es enfriar los chips de IA de forma que —y aquí es donde parece alquimia— aumenten el rendimiento y ahorren electricidad al mismo tiempo. Una carrera que mantiene a raya la Ley de Moore Mongia es ingeniero principal sénior y líder del Grupo de Competencia de Núcleos Térmicos del Desarrollo de Tecnología de Pruebas de Ensamblaje (ATTD) de Intel Foundry. Este equipo «se asegura de que las temperaturas no obstaculicen la Ley de Moore», explica. En otras palabras, ATTD crea nuevas formas de combinar cada vez más matrices de silicio en paquetes más rápidos y capaces para Intel y sus clientes de fundición, y Mongia y su equipo descubren cómo gestionar el calor resultante. Antes de su tiempo en Intel, Mongia trabajó en pequeñas turbinas de gas (que convertían el calor en electricidad) y como consultor en análisis de fallos (centrado en incendios y explosiones), trabajo que incluyó el estudio del colapso de las torres del World Trade Center el 11 de septiembre de 2001. «Decidí que ya había tenido suficiente muerte y destrucción; quiero crear algo», reflexiona, y se unió a Intel inicialmente para ayudar a que las computadoras portátiles fueran más adecuadas para las piernas. Ha pasado la mayor parte de los últimos 22 años dedicado a esa misión de mantener fresca la Ley de Moore, con desvíos para ayudar a construir las cámaras Intel RealSense y para apoyar el impulso de Intel de mediados de la década de 2010 en el mercado de fabricantes. «He desempeñado casi todos los roles térmicos importantes en Intel, de una forma u otra», dice Mongia. Puede parecer un cambio extraño pasar de quemar edificios a enfriar chips, pero «son las mismas ecuaciones: hay diferentes condiciones de contorno, pero sigue siendo mecánica de fluidos, termodinámica y transferencia de calor». Mongia aceptó esos trabajos menos interesantes porque pensó que «la termalidad ya no era tan difícil de entender. Para mí, lo importante es tener un problema interesante que resolver y la capacidad de intentar marcar la diferencia en algún lugar, de alguna manera». El próximo desafío térmico: refrigeración de paquetes multichip apilados Entre el auge de la IA y la creciente ubicuidad de los grandes paquetes multichip (donde varias o incluso docenas de matrices de silicio se combinan en un solo dispositivo), el desafío ha vuelto. “Ahora resulta que este problema de la energía térmica se está volviendo bastante complejo”, dice Mongia. “Hay mucho que podemos hacer aquí”. El menú de soluciones comienza con la integración de las consideraciones térmicas en las etapas iniciales de los proyectos de diseño de chips. «Hemos modernizado nuestro flujo de herramientas para realizar gran parte del trabajo de codiseño con mayor antelación», explica Mongia, como la ejecución de casi 100.000 simulaciones térmicas al mes. Su equipo desarrolló lo que se ha convertido en el estándar de la industria para modelar las características térmicas de la memoria de alto ancho de banda (HBM) apilada, y ahora aplica enfoques similares al apilamiento de todo tipo de chips. «Una vez que se tienen múltiples pilas y alta potencia, resulta aún más importante determinar con precisión las características térmicas del material». En un ejemplo reciente, el equipo térmico rescató un diseño de Intel ganador para un chip de cliente sensible a la temperatura después de que el diseño inicial resultara demasiado caliente. En dos semanas, el equipo multidisciplinario de Intel modeló cientos de opciones de diseño diferentes, renovó por completo la distribución de la propiedad intelectual (PI) del silicio y el diseño multichip, y obtuvo un diseño que superó las especificaciones. “Lo que la gente olvida es la interdependencia de todo, desde el silicio hasta el sistema, para garantizar la cooptimización en todo el espectro”, señala Mongia. Aunque suene contradictorio, “podría aumentar la potencia de una pieza y facilitar su refrigeración”. Sustitución de tapas metálicas por placas refrigeradas por líquido y otras soluciones «exóticas» El resto del menú térmico incluye un conjunto creciente de tecnologías para mejorar directamente el acto de enfriarse. Digamos, por ejemplo, reemplazar el disipador de calor estándar o la tapa de metal que cubre los chips de silicio montados en el paquete con algo que Mongia llama una «placa fría integrada»: básicamente, un pequeño radiador con docenas de aletas internas en su interior y líquido corriendo a través de él. Las primeras pruebas sugieren que una GPU grande con una placa fría integrada puede funcionar hasta un 20 % más fría (y, por lo tanto, un 15 % más rápido)

Cómo la ciencia de quemar edificios allana el camino hacia avances en IA Leer más »

SAP democratiza el acceso al aprendizaje con el lanzamiento gratuito de SAP Learning Hub para estudiantes y profesores universitarios

Cambio Climático y Sostenibilidad, Innovaciones Tecnológicas, Inteligencia Artificial Generativa, Inteligencia Artificial News, La IA aplicada a la Educación, Nube e Infraestructura como Servicio /

En un paso significativo para impulsar la formación de la próxima generación de profesionales, SAP lanzó la versión gratuita de SAP Learning Hub, Student Edition, tanto para estudiantes como para profesores. Miami, EE.UU., 27 de mayo de 2025.- En un paso significativo para impulsar la formación de la próxima generación de profesionales, SAP lanzó la versión gratuita de SAP Learning Hub, Student Edition, tanto para estudiantes como para profesores. Esta iniciativa estratégica busca equipar a la comunidad académica con los conocimientos y habilidades esenciales para prosperar en el ecosistema SAP, al tiempo que fortalece el canal de talento entre instituciones educativas, partners y clientes de SAP en Latinoamérica y a nivel global. En esta edición, se eliminaron las barreras económicas al ofrecer acceso completo al contenido de cursos que se encuentran en la suscripción regular de SAP Learning Hub. Este enfoque permite a los estudiantes aprender a su propio ritmo y prepararse de manera efectiva para la certificación SAP. Además del amplio catálogo de aprendizaje interactivo, la edición para estudiantes incluye dos intentos de examen de certificación SAP sin costo alguno, acceso a webinars y contenido de certificación de permanencia, así como la valiosa oportunidad de practicar en sistemas SAP reales basados en la nube. “SAP es una organización que siempre ha invertido en la formación y el desarrollo de nuevos talentos. Incorporar herramientas de inteligencia artificial para negocios es otro ejemplo de cómo abrimos las puertas al futuro, fomentando que más personas puedan sumarse al mundo del trabajo a partir de nuestras soluciones”, señala Adriana Aroulho, presidenta de SAP Latinoamérica y Caribe. “Queremos inspirar a la próxima generación a unirse al ecosistema SAP y a construir un sólido canal de profesionales listos para enfrentar los desafíos de una economía en transformación digital”, agregó. Esta plataforma no solo beneficia a los estudiantes, sino que también empodera a los profesores al ofrecerles un potente conjunto de herramientas para el desarrollo de planes de estudios relevantes y la creación de grupos de estudio enfocados en la certificación SAP. La disponibilidad de sistemas de práctica basados en la nube facilita la integración de la experiencia en el aula, preparando a los estudiantes de manera integral para el mundo laboral. En esta oportunidad, tanto estudiantes como profesores pueden ahora inscribirse en SAP Learning Hub, Student Edition, utilizando su correo electrónico institucional para la verificación, independientemente de si su universidad forma parte de SAP University Alliances, que actualmente reúne a muchas universidades de toda América Latina, tanto públicas como privadas. Los estudiantes pueden inscribirse a través de http://learning.sap.com/free-student-edition y los profesores en https://learning.sap.com/lecturers. Adicionalmente, se ha actualizado la Zona de Estudiantes con itinerarios de certificación seleccionados, facilitando la navegación y el enfoque en áreas de alta demanda. “Independientemente de su campo de estudio, ya sea tecnología, negocios o cualquier otra disciplina, la plataforma de aprendizaje representa una oportunidad única para adquirir habilidades altamente demandadas que pueden transformar carreras y potenciar el futuro profesional”, finalizó Aroulho. SAP News. Traducido al español

SAP democratiza el acceso al aprendizaje con el lanzamiento gratuito de SAP Learning Hub para estudiantes y profesores universitarios Leer más »

Scroll al inicio