Chubut Digital

Los equipos equipan a las organizaciones impulsadas por la misión con las herramientas, la capacitación y la tecnología para impulsar el impacto y la transformación reales. El poder de la IA está dando forma a las industrias, revolucionando los negocios y transformando la forma en que resolvemos desafíos complejos. Pero mientras que las corporaciones y los gobiernos lo son invertir fuertemente en innovación de IA, muchas organizaciones sin fines de lucro corren el riesgo de quedarse atrás sin los recursos, la experiencia o la infraestructura para aprovechar la IA para el impacto. ¿Cómo pueden los líderes tecnológicos apoyar a estas organizaciones? En un podcast reciente de Tech for Good Talks, Alice Damasceno, Directora de Ciudadanía Corporativa y Comunicaciones ESG para Lenovo Latinoamérica, se sentó en São Paulo con Ana Camerano desde Tecnología Para El Rescate (TTTR), una fundación global sin fines de lucro que conecta a organizaciones sin fines de lucro ambiciosas con compañías de tecnología dispuestas a apoyarlas con soluciones pro-bono. Discutieron la visión de Lenovoova para el impacto impulsado por la IA, el enfoque de la ciudadanía corporativa de los compañías y cómo Lenovo AI para Social Impact Lab está dando a las organizaciones sin fines de lucro las herramientas y los recursos que necesitan para integrar la IA. Una asociación que convierte la innovación en acción Lenovo y TTTR comparten una creencia común: La IA debe ser accesible e inclusiva. Es por eso que Lenovo se unió a TTTRals  AI para Changemakers Accelerator, una iniciativa respaldada por otros grandes actores tecnológicos. El acelerador combina organizaciones sin fines de lucro con tecnólogos voluntarios calificados que les ayudan a diseñar e implementar soluciones de IA adaptadas a sus misiones. El Lenovo AI for Social Impact Lab lleva este soporte un paso más allá: equipa a diez organizaciones sin fines de lucro seleccionadas con hardware de Lenovo de vanguardia, herramientas de IA y orientación experta para ayudarlas a convertir sus aspiraciones de IA en un impacto en el mundo real. Para Lenovo, esta colaboración es parte de una visión más amplia para hacer de la IA una fuerza para la inclusión en lugar de un motor de desigualdad. Como explicó Alice Damasceno en el podcast, Lenovo ve su papel en el impacto social no solo como donante sino como un facilitador estratégico, asegurando que la tecnología se desarrolle y despliegue de manera ética y equitativa. Cómo la IA impulsa el cambio social Para Lenovo, la ciudadanía corporativa es más que filantropía—se trata de aprovechar la tecnología para servir a las personas y al planeta. Alice Damasceno explica que el enfoque de Lenovoova se centra en Smarter Technology for All, asegurando que la innovación avance en los negocios al tiempo que aborda los desafíos sociales y ambientales críticos. Durante la conversación, Damasceno compartió ejemplos inspiradores del mundo real de cómo Lenovo está aplicando la IA para resolver problemas apremiantes: Estos ejemplos resaltan un cambio fundamental en la forma en que las corporaciones abordan el impacto social, no solo a través de contribuciones financieras sino también a través de intervenciones estratégicas impulsadas por la tecnología que crean un cambio sostenible. El papel de la ciudadanía corporativa en un mundo cambiante Reflexionando sobre su carrera en el impacto social, Alice Damasceno enfatizó el creciente papel de las empresas de tecnología en la configuración de un futuro más inclusivo y sostenible. La ciudadanía corporativa, explica, no es una ocurrencia tardía, sino una parte integral de cómo Lenovo opera, incorporando los principios de ESG, la diversidad y la inclusión, y la participación de la comunidad en su estrategia comercial central. “Los desafíos de worldians son complejos, pero la tecnología puede ser parte de la solución,” dice Damasceno. “Al involucrar a los empleados, asociarnos con organizaciones sin fines de lucro e invertir en proyectos de impacto impulsados por la IA, estamos creando un modelo donde las empresas pueden prosperar mientras impulsan un cambio significativo El Lenovo AI for Social Impact Lab ayuda a garantizar que la innovación en IA no siga siendo un privilegio de las corporaciones, sino que se convierta en una herramienta para la resolución de problemas globales, disponible para aquellos que más lo necesitan. Mirando hacia el futuro: cómo puede responder la industria tecnológica A medida que la IA y las tecnologías emergentes continúan evolucionando, la colaboración entre corporaciones, organizaciones sin fines de lucro y organizaciones impulsadas por el impacto será fundamental para garantizar que estas innovaciones beneficien a la sociedad. Este es un compromiso a largo plazo para Lenovo—, parte de su estrategia más amplia de Smarter AI for All, asegurando que la innovación de IA sirva a las personas, no solo a las ganancias. Para Tech To The Rescue, esta asociación es un plan de cómo las corporaciones y las organizaciones sin fines de lucro pueden colaborar para hacer de la IA una verdadera herramienta para la transformación social. “Si no hacemos que la IA sea accesible para las organizaciones impulsadas por misiones, corremos el riesgo de profundizar la brecha digital,” dijo Damasceno en el podcast. “Pero cuando le damos a las organizaciones sin fines de lucro las herramientas, el conocimiento y los socios adecuados, pueden resolver problemas de maneras que nunca imaginamos La verdadera pregunta no es si las organizaciones sin fines de lucro deberían usar AI—, la pregunta es si la industria de la tecnología dará un paso adelante para asegurarse de que puedan. Lenovo News. J. E. Traducido al español

Los tokens son unidades de datos procesados por modelos de IA durante el entrenamiento y la inferencia, lo que permite la predicción, la generación y el razonamiento. Bajo el capó de cada aplicación de IA hay algoritmos que producen datos en su propio idioma, uno basado en un vocabulario de tokens. Los tokens son pequeñas unidades de datos que provienen de descomponer fragmentos más grandes de información. Los modelos de IA procesan tokens para aprender las relaciones entre ellos y desbloquear capacidades que incluyen predicción, generación y razonamiento. Cuanto más rápido se puedan procesar los tokens, más rápidos podrán aprender y responder los modelos. AI fábricas — una nueva clase de centros de datos diseñados para acelerar las cargas de trabajo de IA — crujen eficientemente los tokens, convirtiéndolos del lenguaje de la IA a la moneda de la IA, que es la inteligencia. Con las fábricas de IA, las empresas pueden aprovechar las últimas soluciones informáticas de pila completa para procesar más tokens a un menor costo computacional crear valor adicional para los clientes. En un caso, la integración de las optimizaciones de software y la adopción de las GPU NVIDIA de última generación redujeron el costo por token en 20 veces en comparación con los procesos no optimizados en las GPU de generación anterior — entregando 25 veces más ingresos en solo cuatro semanas. Al procesar eficientemente los tokens, las fábricas de IA están fabricando inteligencia —, el activo más valioso en la nueva revolución industrial impulsada por la IA. ¿Qué es la Tokenización?  Si a transformador modelo AI está procesando texto, imágenes, clips de audio, videos u otra modalidad, traducirá los datos en tokens. Este proceso se conoce como tokenización. La tokenización eficiente ayuda a reducir la cantidad de potencia informática requerida para entrenamiento e inferencia. Existen numerosos métodos de tokenización — y los tokenizadores adaptados para tipos de datos específicos y casos de uso pueden requerir un vocabulario más pequeño, lo que significa que hay menos tokens para procesar. Para grandes modelos de idiomas (LLM), las palabras cortas pueden representarse con un solo token, mientras que las palabras más largas pueden dividirse en dos o más tokens. La palabra oscuridad, por ejemplo, se dividiría en dos fichas, “dark” y “ness,” con cada ficha con una representación numérica, como 217 y 655. La palabra opuesta, brillo, se dividiría de manera similar en “bright” y “ness,” con representaciones numéricas correspondientes de 491 y 655. En este ejemplo, el valor numérico compartido asociado con “ness” puede ayudar al modelo de IA a comprender que las palabras pueden tener algo en común. En otras situaciones, un tokenizador puede asignar diferentes representaciones numéricas para la misma palabra dependiendo de su significado en contexto. Por ejemplo, la palabra “lie” podría referirse a una posición de descanso o a decir algo falso. Durante el entrenamiento, el modelo aprendería la distinción entre estos dos significados y les asignaría diferentes números de token. Para los modelos visuales de IA que procesan imágenes, video o datos de sensores, un tokenizador puede ayudar a mapear entradas visuales como píxeles o vóxeles en una serie de tokens discretos. Los modelos que procesan audio pueden convertir clips cortos en espectrogramas — representaciones visuales de ondas de sonido a lo largo del tiempo que luego se pueden procesar como imágenes. Otras aplicaciones de audio pueden centrarse en capturar el significado de un clip de sonido que contiene voz, y utilizar otro tipo de tokenizador que captura tokens semánticos, que representan datos de lenguaje o contexto en lugar de simplemente información acústica. ¿Cómo se Utilizan los Tokens Durante el Entrenamiento de IA? El entrenamiento de un modelo de IA comienza con la tokenización del conjunto de datos de entrenamiento. Según el tamaño de los datos de entrenamiento, el número de tokens puede sumar miles de millones o billones — y, según el ley de escalamiento previa al entrenamiento, cuantos más tokens se utilicen para el entrenamiento, mejor será la calidad del modelo de IA. Como es un modelo de IA preentrenadose prueba mostrándole un conjunto de muestras de tokens y se le pide que prediga el siguiente token. Según si su predicción es correcta o no, el modelo se actualiza para mejorar su próxima suposición. Este proceso se repite hasta que el modelo aprende de sus errores y alcanza un nivel objetivo de precisión, conocido como convergencia del modelo. Después del entrenamiento previo, los modelos se mejoran aún más post-entrenamiento, donde continúan aprendiendo en un subconjunto de tokens relevantes para el caso de uso donde se implementarán. Estos podrían ser tokens con información específica del dominio para una aplicación en derecho, medicina o negocios — o tokens que ayudan a adaptar el modelo a una tarea específica, como razonamiento, chat o traducción. El objetivo es un modelo que genere los tokens correctos para entregar una respuesta correcta basada en una consulta de usuario —, una habilidad más conocida como inferencia. ¿Cómo se Utilizan los Tokens Durante la Inferencia y el Razonamiento de la IA?  Durante la inferencia, una IA recibe un mensaje — que, dependiendo del modelo, puede ser texto, imagen, clip de audio, video, datos del sensor o incluso secuencia genética — que se traduce en una serie de tokens. El modelo procesa estos tokens de entrada, genera su respuesta como tokens y luego lo traduce al formato esperado de los usuarios. Los idiomas de entrada y salida pueden ser diferentes, como en un modelo que traduce inglés a japonés, o uno que convierte las indicaciones de texto en imágenes. Para comprender un mensaje completo, los modelos de IA deben poder procesar múltiples tokens a la vez. Muchos modelos tienen un límite específico, conocido como ventana de contexto — y diferentes casos de uso requieren diferentes tamaños de ventana de contexto. Un modelo que puede procesar unos pocos miles de tokens a la vez podría procesar una sola imagen de alta resolución o unas pocas páginas de texto. Con una longitud de contexto de decenas de miles de tokens, otro modelo podría resumir una novela completa o un episodio de podcast