El Portal de las Tecnologías para la Innovación

Categoría: Inteligencia Artificial Generativa

Alinear la seguridad con el viaje del cliente: Cómo mantener CX libre de fricción

¿Existe un mundo donde las medidas de seguridad (a menudo un punto de dolor para los clientes) y un CX superior puedan coexistir? En este blog, Foundever® profundiza en cómo equilibrar la seguridad y las experiencias sin problemas. Publicado»Marzo 31, 2025 Tiempo de lectura»4 min La seguridad y la experiencia del cliente se han visto durante mucho tiempo como fuerzas opuestas — una centrada en bloquear las cosas, la otra en hacer las cosas lo más fluidas posible. Pero aquí está la verdad: La ciberseguridad es una preocupación importante para las organizaciones en todas las industrias. De hecho, la capacidad de gestionar las amenazas de ciberseguridad es una de las principales preocupaciones tanto de proveedores de servicios como de compradores. Y aunque es una línea difícil de caminar, un gran viaje del cliente y una fuerte seguridad no tienen que estar en desacuerdo. De hecho, cuando se hace bien, la seguridad puede mejorar CX en lugar de interrumpirlo. Entonces, ¿cómo logran las marcas el equilibrio perfecto? El factor de fricción: Cuando la seguridad se interpone en el camino de CX ¿Alguna vez intentó iniciar sesión en una cuenta y se le pidió que verificara su identidad de tres maneras diferentes? ¿O tuvo que restablecer su contraseña nuevamente debido a reglas complejas en constante cambio? Medidas de seguridad como estas, aunque necesarias, pueden frustrar a los clientes hasta el punto de abandonar por completo las interacciones. Los obstáculos comunes de CX relacionados con la seguridad incluyen: Los clientes esperan seguridad, pero también esperan conveniencia. Las marcas que ganan son las que hacen que la seguridad sea fluida, no sofocante. Construyendo seguridad en el viaje del cliente (sin molestar a sus clientes) La seguridad debe sentirse como una parte natural de la experiencia del cliente, no como una carrera de obstáculos. Aquí se explica cómo integrar medidas de seguridad fuertes sin interrumpir el viaje. 1. Haga que la autenticación sea inteligente, no frustrante Las contraseñas se están convirtiendo en una cosa del pasado. En lugar de obligar a los clientes a recordar un revoltijo de personajes, las empresas deben adoptar métodos de autenticación más inteligentes y sin fricción como: La clave es utilizar métodos de seguridad que los clientes apenas notan, pero que aún mantienen las cuentas seguras. 2. Personalice la seguridad (porque no todos los clientes son un caso de alto riesgo) Las medidas de seguridad únicas para todos a menudo conducen a una fricción innecesaria. En su lugar, use información basada en datos para personalizar la seguridad en función del comportamiento del cliente y los niveles de riesgo. ¿Por ejemplo: Devolver clientes en dispositivos familiares? Permitir inicios de sesión más rápidos con una verificación mínima. ¿Nueva ubicación o actividad sospechosa detectada? Activar pasos de autenticación adicionales. Mediante el uso de evaluaciones de riesgo impulsadas por IA, las empresas pueden hacer que la seguridad sea dinámica, ajustando los niveles de protección en tiempo real sin molestar a los clientes de confianza. 3. Dar a los clientes control sobre su propia seguridad Los clientes se sienten más seguros cuando tienen cierto nivel de control sobre su propia protección de datos. Las empresas deben ofrecer: Cuando los clientes se sienten empoderados, las medidas de seguridad se vuelven menos molestas y más tranquilizadoras. 4. Use AI para detectar fraudes sin interrumpir a los buenos clientes Nadie quiere ser marcado erróneamente por fraude, y ningún negocio quiere dejar que el fraude real se deslice por las grietas. La detección de fraude impulsada por IA puede analizar el comportamiento del cliente en tiempo real, detectando actividades sospechosas y permitiendo que las transacciones legítimas se realicen sin problemas. Cómo la IA puede ayudar: Cuando la seguridad mejora CX: Ejemplos del mundo real en Foundever® Como tres veces ganadores del prestigioso Premio Fortaleza Ciberseguridad 2024 presentado por el Business Intelligence Group (BIG), Foundever entiende que tener medidas de seguridad sólidas mejora CX y genera lealtad. Aquí hay algunos ejemplos de cómo integramos la seguridad en nuestras estrategias: La seguridad no tiene que ser el villano de CX La seguridad debe sentirse como un escudo invisible, no como un obstáculo. La confianza lo es todo, y las marcas con las que la seguridad de las uñas y la experiencia del cliente serán con las que los clientes se mantendrán leales. Entonces, ¿su estrategia de seguridad está ayudando a su CX — o lastimándolo? Ahora es el momento de averiguarlo. Obtenga más información sobre cómo asegurar un CX superior en nuestro documento técnico: “Asegurar la experiencia de su cliente: Cómo elegir su socio de entrega de CX en una era de crecientes amenazas cibernéticas.” Foundever Blog. Traducido al español

Leer más »

Desbloqueo de Insights de Red: El Poder de la IA Generativa en la Observabilidad

GenaI está aportando un nuevo nivel de inteligencia a la observabilidad de la red y democratizando el acceso a los conocimientos de la red A medida que la infraestructura digital se ha vuelto más compleja, las herramientas de observabilidad están desempeñando un papel muy importante para dar a las empresas una idea del estado de sus sistemas de TI. Los equipos de operaciones de TI están cada vez más inundados con datos de monitoreo de toda la pila de TI. Las soluciones de observabilidad les ayudan a organizar todos esos datos para que puedan diseñar e implementar componentes de infraestructura de manera más eficiente, así como predecir y remediar problemas más rápido. Si bien el monitoreo de TI no es nada nuevo, en los entornos multicloud híbridos altamente complejos de hoy en día, las soluciones de observabilidad ofrecen un enfoque más sofisticado que da contexto a los datos que se recopilan y ofrece información más significativa. Gartner® estima que “para 2026, el 50% de las empresas que implementan arquitecturas de datos distribuidos habrán adoptado herramientas de observabilidad de datos para mejorar la visibilidad sobre el estado del panorama de datos, frente a menos del 20% en 2024.”[1] A medida que la IA se integra más observabilidad soluciones, hay mucha emoción sobre su potencial. Si bien la IA no es una varita mágica que resuelva todo, tiene una gran promesa para acelerar los procesos y ofrecer resultados más precisos en el ámbito cada vez más complejo de las redes de infraestructura de TI distribuida. Y ahora, la IA generativa está aportando un mayor nivel de inteligencia a la observabilidad de la red, permitiendo a los usuarios monitorear sus redes, administrar alertas, predecir problemas de manera proactiva y mitigar problemas más rápido, todo usando lenguaje natural. Tres formas en que la IA mejora la gestión de la red de TI Es importante que las organizaciones sean pragmáticas sobre cómo usan la IA. A medida que las empresas exploran los casos de uso de IA, estamos comenzando a ver una creciente adopción de IA para automatizar las operaciones de red. Para las grandes empresas, todo, desde compañías financieras hasta minoristas y aerolíneas, garantizar operaciones de red sin problemas es crucial para el negocio y ayuda a ofrecer las mejores experiencias a los clientes. Al automatizar más aspectos de la red, la IA puede mejorar significativamente la calidad del servicio de red, aumentando el rendimiento general de los servicios al cliente de enterprises’. Veamos tres formas en que la IA ya está mejorando la gestión de las redes de TI: Diseño La IA se puede utilizar para facilitar el descubrimiento de capacidades de red y optimizar el diseño de soluciones de red. Por ejemplo, AI puede ayudarlo a seleccionar los componentes básicos de una solución de red, elegir las mejores opciones de conectividad, recomendar la colocación de recursos y encapsular todo en objetivos claros de cambio de red. Desplegar AI puede agilizar el despliegue de nuevas funcionalidades en una red. Por ejemplo, la IA puede ayudarte: Operar La IA puede mejorar la seguridad y confiabilidad de las redes, así como el cumplimiento de los requisitos reglamentarios. Esta área—operación de red—es donde la IA y la observabilidad se unen. La observabilidad va más allá del monitoreo; implica comprender el rendimiento y el comportamiento de la red para reducir los errores de configuración, minimizar el tiempo de inactividad, garantizar políticas de seguridad consistentes, perfilar el consumo de la red y permitir una gestión proactiva del rendimiento. La IA ayuda con esto al modelar la red, establecer métricas y eventos operativos relevantes y realizar análisis de datos en profundidad. Con una solución de observabilidad impulsada por IA, las empresas pueden: ¿Cómo desbloquea la IA generativa más información de red? Desde el lanzamiento de ChatGPT al público en noviembre de 2022, la IA generativa ha avanzado rápidamente, con un gran potencial para mejorar la productividad, la eficiencia y la toma de decisiones basada en datos en todas las industrias y dominios comerciales. Fundamentalmente, la capacidad generativa de AI para emplear lenguaje natural hace que las herramientas de IA sean accesibles para muchas más personas que nunca. Weizing ya ha estado en el proceso de ir más allá del monitoreo tradicional de TI a la observabilidad durante varios años. Las soluciones de observabilidad aprovechan la IA y el aprendizaje automático para realizar análisis y aprendizaje más sofisticados a partir de datos de TI que lo que ofrece el monitoreo de TI solo. Ahora, gracias a la IA generativa, las herramientas de observabilidad pueden ofrecer aún mejores conocimientos para ayudar a las organizaciones a garantizar la estabilidad y la eficiencia de sus infraestructuras de TI. Aquí hay algunos ejemplos de cómo la IA generativa facilita la observabilidad de la red: Weizve solo comenzó a arañar la superficie del potencial de IA generativa en el espacio de observabilidad. Se agregan nuevas capacidades de IA a los principales terceros herramientas de observabilidad todo el tiempo. Y ahora, los proveedores de redes multicloud líderes en la industria han comenzado a ofrecer interfaces generativas basadas en IA como asistentes de red. Weirre avanza rápidamente hacia un futuro donde la creación de redes ya no será un área que solo las personas con conocimientos especializados puedan entender. La IA hace que sea más rápido y fácil para cualquiera obtener información de red. A medida que esta tendencia continúa, se está convirtiendo en una expectativa de que cada compañía y proveedor de servicios operará de esta manera. Mejora de las redes híbridas multicloud con observabilidad impulsada por IA Para empresas que utilizan múltiples nubes e infraestructura privada distribuidas en muchos lugares redes multicloud se ha complicado. Las organizaciones necesitan visibilidad y control en todo su panorama heterogéneo de TI híbrida para garantizar un rendimiento y fiabilidad óptimos. Pero cada entorno ofrece diferentes herramientas e interfaces de monitoreo. Para los usuarios empresariales, las redes en la nube pueden sentirse como cajas negras: Es extremadamente difícil solucionar problemas cuando algo sale mal. Las herramientas de observabilidad que emplean IA generativa junto con interfaces

Leer más »

“Las moscas de la fruta son una fuente importante de inspiración en robótica”

Los investigadores del Laboratorio de Neuroingeniería EPFLina, dirigido por Pavan Ramdya, tienen como objetivo replicar el funcionamiento del cerebro de la mosca de la fruta común, Drosophila melanogaster. Hablamos con Ramdya sobre las emocionantes perspectivas de la robótica. En la pantalla, blanca sobre un fondo negro, una mosca se magnifica miles de veces y camina tranquilamente a través de una superficie esférica en sus seis patas. “Mira, en un segundo hará el moonwalk.” Estamos en el corazón de la Laboratorio de Neuroingeniería EPFL – Cátedra Firmenich de Próxima Generación en Neurobiología dirigido por Pavan Ramdya, y un investigador postdoctoral, Maite Azcorra. Ella brilla pequeños pulsos enfocados de luz láser sobre la marcha utilizando una técnica conocida como optogenética, que utiliza la luz para activar neuronas específicas. Como si estuviera al mando, la mosca mueve sus piernas hacia atrás. Y se parece a un baile. El grupo de investigación de 14 personas de Ramdyahys ha estado estudiando el sistema nervioso de estos insectos de dos milímetros de largo desde 2017. “Maite actualmente está estudiando cómo las neuronas que descienden del cerebro controlan las funciones motoras,” dice Ramdya. El grupo espera eventualmente realizar ingeniería inversa del cerebro de los volantes y modelarlo para la robótica. Un gran paso adelante fue el desarrollo de un gemelo digital que los investigadores pueden usar para simular con precisión los comportamientos de un vuelo; otro era un importante avance para comprender cómo las redes neuronales convierten las señales cerebrales en movimientos coordinados. Nos sentamos en la oficina del neurocientífico nacido en Nueva York para hablar sobre su trabajo. ¿Puede describir la idea general detrás de su programa de investigación? Los humanos han estado tratando durante siglos de construir máquinas que puedan comportarse como animales o personas. En la antigua Grecia, por ejemplo, las marionetas automatizadas eran bastante comunes – estos eran objetos simples pero ya eran una forma de biomimética, ya que imitaban cómo se mueve un cuerpo real. Esa es la misma idea que estamos persiguiendo aquí, excepto que utilizamos métodos y sistemas mucho más avanzados que realmente pueden biomiméticos animales como la mosca de la fruta. Por qué estás estudiando Drosophila melanogaster ¿específicamente? Hay animales más complicados, por supuesto, como los mamíferos, pero son más difíciles de estudiar. Y hay otros más simples como C.elegans , un gusano con sólo alrededor de 300 neuronas [las moscas tienen alrededor de 100.000 y los seres humanos tienen aproximadamente 86 mil millones], pero no podemos aprender tanto sobre el comportamiento de ellos. A diferencia de los gusanos, las moscas tienen piernas, y hacen mucho con ellas – caminar, limpiarse, manipular obstáculos y más. Es mucho más interesante para aplicaciones en robótica y neuroprótesis saber cómo funciona una criatura con alas y piernas. Son especímenes perfectos desde esa perspectiva: lo suficientemente simples como para estudiar, pero lo suficientemente complejos como para ofrecer muchas ideas. En tu reciente charla TEDx»dijiste que en el futuro los robots utilizados para explorar y colonizar nuevos planetas podrían parecerse mucho a estas moscas. Sí, los robots para la exploración espacial tendrán que completar numerosas tareas por su cuenta y tomar decisiones de forma autónoma mientras se mueven en entornos desconocidos y hostiles. Los ingenieros han estado trabajando para construir tales robots durante décadas, pero por ahora, incluso las máquinas más sofisticadas no tienen cerca de la agilidad de la mosca de la fruta. Las moscas pueden hacer cosas increíbles. No solo pueden volar, sino que también son extremadamente estables debido a sus seis patas. Pueden moverse en las tres dimensiones mientras realizan otras tareas con sus piernas. ¡Son una fuente importante de inspiración! ¿Cómo podría el trabajo que estás haciendo influir en el desarrollo de la robótica y la IA? Muchos ingenieros están trabajando en el lado del hardware de los robots –, por ejemplo, baterías y motores. Ese no es nuestro enfoque. Weirre busca diseñar sus controladores. Con la idea de desarrollar una mosca robótica, nuestro principal punto de interés es entender cómo puede controlar sus extremidades. Es por eso que estamos estudiando el sistema nervioso de las moscas de la fruta – para obtener información que nos ayudará a desarrollar redes neuronales que se pueden usar en robótica e IA. Iird también señala que los robots que usan estos controladores no tienen que ser del tamaño de una mosca. Siempre que se escale adecuadamente, pueden ser de cualquier tamaño – incluso tan grandes como una casa, ¡aunque eso sería un poco aterrador! Pero su investigación también incluye otros aspectos. Eso es correcto. Una característica única de las moscas es que sus piernas están cubiertas con sensores mecánicos. ¿Cómo usan las moscas toda la información que recopilan para comprender su entorno y detectar objetos a su alrededor? ¿Cómo deciden cuándo levantar una o más de sus piernas sobre obstáculos? Esos son los tipos de preguntas que queremos responder. Y para hacer eso, estamos tratando de desarrollar materiales modelados después de la cutícula de mosca con sensores integrados que se pueden usar en robots. Muchos expertos en robótica e IA han dicho que para crear máquinas realmente capaces de aprender, las máquinas deben tener cuerpos que puedan moverse y explorar su entorno. Sí, eso es una teoría central sostenida por científicos que estudian la neurobiología y el comportamiento. Y también debería ser una teoría central en la IA, ya que los animales pueden comportarse de manera más flexible que los robots. Los ingenieros que trabajan en el aprendizaje automático a menudo señalan que los bebés humanos se mueven constantemente y tocan cosas, explorando su entorno para aprender sobre el mundo que los rodea. Este proceso es mucho más efectivo que si acabáramos de presentarles videos de su entorno. Los sensores que mencioné anteriormente – los de las moscas – también sirven para este propósito. ¿Cuáles son actualmente los mayores obstáculos para desarrollar sistemas que puedan aprender explorando su entorno? Un obstáculo es crear algoritmos que puedan procesar datos sensoriales. Si pueden contextualizar estos datos, sería muy difícil para las máquinas aprender a aprender los comportamientos apropiados. Es importante enfatizar que la solución existe

Leer más »

IBM prepara funciones digitales para fanáticos impulsadas por IA de Watsonx para el Torneo Masters 2025

IBM Hole Insights regresa por segundo año como parte de la experiencia Track Shots en Masters.com y la app Masters. Insights 2.0, basado en IA, aprovecha las tecnologías de Watsonx, incluyendo Granite LLM, para ofrecer información basada en datos sobre cada tiro realizado en cada hoyo de Augusta National. ARMONK, NY , 4 de abril de 2025 / PRNewswire / — IBM (NYSE: IBM ) y el Masters Tournament anunciaron hoy el regreso de una serie de funciones digitales para los aficionados a la galardonada app del Masters y a Masters.com antes del Torneo de este año. Las capacidades impulsadas por IA de Watsonx —las más recientes de una colaboración de 30 años entre IBM y el Masters— buscan ofrecer una experiencia más personalizada y atractiva a millones de aficionados al golf, tanto nuevos como existentes, de todo el mundo que siguen toda la acción del Masters Tournament. Análisis de tiros más estratégico con Hole Insights 2.0.IBM Hole Insights regresa por segundo año como parte de la experiencia Track Shots en Masters.com y la app Masters. Insights 2.0, basado en IA, aprovecha las tecnologías de Watsonx, incluyendo Granite LLM, para ofrecer información basada en datos sobre cada tiro realizado en cada hoyo de Augusta National. Esto incluye: Este año, la solución se diseñó para proporcionar información más completa y eficaz. Para optimizar la calidad de la información, IBM Consulting perfeccionó Granite y otros LLM con una amplia gama de fuentes, como ubicaciones históricas de tiros, información de expertos en golf, incluyendo caddies de antiguos Torneos de Masters, y datos de torneos que abarcan nueve años y más de 180.000 tiros.  Ejemplo de plataforma digital Masters, que incluye IBM Hole Insights App Masters renovada en Apple Vision Pro.IBM y el Masters vuelven a ofrecer a los aficionados una visión inmersiva de la acción con la app Masters en Apple Vision Pro. La app actualizada de este año ofrece a los aficionados imágenes 3D más nítidas del Augusta National y nuevas funciones como Vídeo a la Carta. Los aficionados también disfrutarán de funciones que regresan, como Hole Insights 2.0 y Narración con IA. Con la aplicación Masters en Apple Vision Pro, los fanáticos pueden mirar diferentes vistas 3D de cada hoyo, explorar los dramáticos cambios de elevación a lo largo del campo e incluso ver múltiples transmisiones en vivo del torneo simultáneamente. Durante más de 30 años, IBM y Augusta National han colaborado para crear experiencias digitales únicas que acercan la belleza, la tradición y la emoción del Masters a millones de aficionados al golf de todo el mundo —afirmó Jonathan Adashek , vicepresidente sénior de Marketing y Comunicaciones—. Esta potente combinación de personas y tecnología, que incluye modelos y agentes de IA de Watsonx, es un caso práctico para empresas de todos los sectores que les muestra cómo pueden aprovechar al máximo sus datos para ofrecer información empresarial práctica y experiencias excepcionales para el cliente. El Masters e IBM llevan casi 30 años colaborando para transformar los datos del Masters en experiencias digitales de primer nivel para los aficionados al golf. Esto incluye el lanzamiento de Masters.com en 1996, AI Highlights, Round in Three Minutes, My Group, Player Insights, AI Narration, Hole Insights y la app Masters para Apple Vision Pro. Las alianzas de IBM con el Masters y otras organizaciones deportivas icónicas, como Scuderia Ferrari HP , Wimbledon , el US Open , ESPN Fantasy Football y UFC , están impulsadas por las mismas soluciones de IA y nube híbrida que utilizan los clientes de IBM en todas las industrias para tomar decisiones comerciales más informadas y basadas en datos. El 89.º Torneo Masters se celebrará del 10 al 13 de abril en el Augusta National Golf Club de Augusta, Georgia. Descubra todas las tecnologías IBM Watson en acción visitando Masters.com  o la aplicación Masters disponible para dispositivos móviles, la App Store de Apple  y la Play Store de Google . IBM News. Traducido al español

Leer más »

Vana está permitiendo a los usuarios poseer una parte de los modelos de IA entrenados en sus datos

Más de 1 millón de personas están contribuyendo con sus datos a la red descentralizada de Vanaana, que comenzó como un proyecto de clase MIT. En febrero de 2024, Reddit llegó a un acuerdo de $60 millones con Google para permitir que el gigante de las búsquedas usara datos en la plataforma para entrenar sus modelos de inteligencia artificial. Notablemente ausentes de las discusiones estaban los usuarios de Reddit, cuyos datos se vendían. El acuerdo reflejaba la realidad de la Internet moderna: Las grandes compañías tecnológicas poseen prácticamente todos nuestros datos en línea y deciden qué hacer con esos datos. Como era de esperar, muchas plataformas monetizan sus datos, y la forma de más rápido crecimiento de lograrlo hoy en día es venderlos a las compañías de IA, que son en sí mismas compañías tecnológicas masivas que usan los datos para entrenar modelos cada vez más potentes. La plataforma descentralizada Vana, que comenzó como un proyecto de clase en el MIT, tiene la misión de devolver el poder a los usuarios. La compañía ha creado una red totalmente propiedad del usuario que permite a las personas cargar sus datos y gobernar cómo se usan. Los desarrolladores de IA pueden presentar a los usuarios ideas para nuevos modelos, y si los usuarios aceptan contribuir con sus datos para la capacitación, obtienen una propiedad proporcional en los modelos. La idea es dar a todos una participación en los sistemas de IA que darán forma cada vez más a nuestra sociedad y al mismo tiempo desbloquearán nuevos grupos de datos para avanzar en la tecnología. “Estos datos son necesarios para crear mejores sistemas de IA,” dice la cofundadora de Vana Anna Kazlauskas ’19. “Weiosve creó un sistema descentralizado para obtener mejores datos — que se encuentra dentro de las grandes compañías tecnológicas de hoy — mientras que todavía permite a los usuarios retener la propiedad final.” De la economía a la cadena de bloques Muchos estudiantes de secundaria tienen fotos de estrellas del pop o atletas en las paredes de sus habitaciones. Kazlauskas tenía una foto del antiguo Estados Unidos. La secretaria del Tesoro, Janet Yellen. Kazlauskas llegó al MIT segura de que se convertiría en economista, pero terminó siendo una de las cinco estudiantes que se unieron al club MIT Bitcoin en 2015, y esa experiencia la llevó al mundo de las blockchains y las criptomonedas. Desde su dormitorio en MacGregor House, comenzó a extraer la criptomoneda Ethereum. Incluso ocasionalmente recorría contenedores de basura del campus en busca de chips de computadora descartados. “Me interesó todo lo relacionado con la informática y las redes,” Kazlauskas dice. “Eso involucró, desde una perspectiva de blockchain, sistemas distribuidos y cómo pueden cambiar el poder económico a individuos, así como inteligencia artificial y econometría Kazlauskas conoció a Art Abal, que entonces asistía a la Universidad de Harvard, en la antigua clase de Media Lab Emergent Ventures, y la pareja decidió trabajar en nuevas formas de obtener datos para entrenar sistemas de IA. “Nuestra pregunta era: ¿Cómo podría tener una gran cantidad de personas que contribuyen a estos sistemas de IA utilizando más de una red distribuida?” Kazlauskas recuerda. Kazlauskas y Abal estaban tratando de abordar el status quo, donde la mayoría de los modelos se entrenan raspando datos públicos en Internet. Las grandes empresas de tecnología a menudo también compran grandes conjuntos de datos de otras empresas. El enfoque founder’ evolucionó a lo largo de los años y fue informado por la experiencia de Kazlauskas’ trabajando en la compañía financiera de blockchain Celo después de la graduación. Pero Kazlauskas acredita su tiempo en el MIT con ayudarla a pensar en estos problemas, y el instructor de Emergent Ventures, Ramesh Raskar, todavía ayuda a Vana a pensar en las preguntas de investigación de IA en la actualidad. “Fue genial tener una oportunidad abierta para construir, hackear y explorar,” Kazlauskas dice. “Creo que el espíritu en el MIT es realmente importante. Se trata solo de construir cosas, ver lo que funciona y continuar iterando.” Hoy en día, Vana aprovecha una ley poco conocida que permite a los usuarios de la mayoría de las grandes plataformas tecnológicas exportar sus datos directamente. Los usuarios pueden cargar esa información en billeteras digitales cifradas en Vana y desembolsarla para entrenar a los modelos como mejor les parezca. Los ingenieros de IA pueden sugerir ideas para nuevos modelos de código abierto, y las personas pueden agrupar sus datos para ayudar a entrenar el modelo. En el mundo blockchain, los grupos de datos se llaman DAO de datos, que significa organización autónoma descentralizada. Los datos también se pueden utilizar para crear modelos y agentes de IA personalizados. En Vana, los datos se utilizan de una manera que preserva la privacidad del usuario porque el sistema no expone la información identificable. Una vez que se crea el modelo, los usuarios mantienen la propiedad de modo que cada vez que se utiliza, son recompensados proporcionalmente en función de cuánto sus datos ayudaron a entrenarlo. “Desde la perspectiva de los desarrolladores, ahora puedes construir estas aplicaciones de salud hiperpersonalizadas que tienen en cuenta exactamente lo que comiste, cómo dormiste, cómo haces ejercicio, dice ” Kazlauskas. “Esas aplicaciones no son posibles hoy debido a esos jardines amurallados de las grandes compañías tecnológicas.” IA de crowdsourcing y propiedad del usuario El año pasado, un ingeniero de aprendizaje automático propuso usar los datos de usuario de Vana para entrenar un modelo de IA que podría generar publicaciones de Reddit. Más de 140,000 usuarios de Vana contribuyeron con sus datos de Reddit, que contenían publicaciones, comentarios, mensajes y más. Los usuarios decidieron los términos en los que se podía usar el modelo, y mantuvieron la propiedad del modelo después de su creación. Vana has enabled similar initiatives with user-contributed data from the social media platform X; sleep data from sources like Oura rings; and more. There are also collaborations that combine data pools to create broader AI applications. “Let’s say users have Spotify data, Reddit data, and fashion data,” Kazlauskas explains. “Usually,

Leer más »

Acelerar los Escaneos de Parquet Apache en Apache Spark con GPU

A medida que los tamaños de los datos han crecido en empresas de todas las industrias, Parquet Apache se ha convertido en un formato prominente para almacenar datos.  Apache Parquet es un formato de almacenamiento columnar diseñado para un procesamiento de datos eficiente a escala. Al organizar los datos por columnas en lugar de filas, Parquet permite consultas y análisis de alto rendimiento, ya que solo puede leer las columnas necesarias para una consulta en lugar de escanear filas completas de datos. El diseño de datos eficiente de Parquet, lo ha convertido en una opción popular en el ecosistema de análisis moderno, específicamente con las cargas de trabajo de Apache Spark. El RAPIDS Accelerator para Apache Spark construido sobre cuDF admite Parquet como formato de datos para leer y escribir datos de manera acelerada en GPU. Para muchas cargas de trabajo de Spark a gran escala donde los tamaños de entrada de datos están en terabytes, tener escaneos de parquet eficientes es fundamental para lograr un buen rendimiento en tiempo de ejecución. En esta publicación, discutimos cómo mitigar las limitaciones de ocupación causadas por usos de registro más altos y compartir resultados de referencia.  Formato de datos de parquet Apache El formato de archivo Parquet permite almacenar los datos en formato columnar utilizando trozos de columna ensamblados en grupos de filas. Los metadatos son distintos de los datos para permitir la división de columnas en varios archivos según sea necesario (Figura 1). El formato Parquet admite una variedad de tipos de datos. Los metadatos especifican cómo deben interpretarse estos tipos, lo que permite que estos tipos representen tipos lógicos más complejos, como marcas de tiempo, cadenas, decimales, etc.  También puede usar metadatos para especificar estructuras más complejas, como tipos anidados y listas. Los datos se pueden codificar en una variedad de formatos diferentes, como valores simples, diccionarios, codificación de longitud de ejecución, empaque de bits y más. – BOOLEAN: 1 bit boolean- INT32: 32 bit signed ints- INT64: 64 bit signed ints- INT96: 96 bit signed ints- FLOAT: IEEE 32-bit floating point values- DOUBLE: IEEE 64-bit floating point values- BYTE_ARRAY: arbitrarily long byte arrays- FIXED_LEN_BYTE_ARRAY: fixed length byte arrays Parquet sobre limitaciones de ocupación de GPU Antes de la RAPIDS Accelerator para Apache Spark, la implementación anterior de los escaneos de parquet fue un núcleo cuDF monolítico que admitía todos los tipos de columnas de parquet en un solo conjunto de código de procesamiento.  A medida que la adopción de Spark en GPU aumentó para los clientes con datos de Parquet, se invirtió más tiempo en comprender las características de rendimiento de los escaneos de Parquet dado el componente crítico del rendimiento que representaba. Hay varios recursos generales que tienen en cuenta la eficiencia con la que un kernel puede operar: A medida que analizamos los escaneos de parquet, observamos que la ocupación general de la GPU era menor de lo deseado debido a los límites de registro. El uso del registro está determinado por cómo el compilador CUDA genera código basado en la lógica del kernel más la gestión de datos.  Para el núcleo monolítico de Parquet, la complejidad para admitir todos los tipos de columnas creó un núcleo grande y complejo con alta memoria compartida y uso de registro. Si bien un solo núcleo monolítico puede haber consolidado el código juntos, su complejidad limitó los posibles tipos de optimizaciones y dio como resultado limitaciones de rendimiento a escala.  La Figura 2 representa el bucle de procesamiento de datos de Parquet en la GPU. Cada uno de los bloques es una cantidad grande y compleja de código del kernel, que puede tener sus propios requisitos de memoria compartida. Muchos de los bloques dependen del tipo, lo que conduce a un núcleo hinchado cargado en la memoria. Específicamente, una de las limitaciones era cómo se decodificaban los bloques de parquet dentro de las urdimbres. Había una dependencia en serie para que las urdimbres esperaran a que las urdimbres ordenadas previamente se completaran antes de procesar sus bloques de datos. Esto permitió que diferentes partes del proceso de decodificación ocurrieran en diferentes deformaciones, pero creó una dependencia ineficiente para el trabajo que se realizará en la GPU.  Pasar a un algoritmo de decodificación de todo el bloque fue crítico para el rendimiento, pero habría aumentado el recuento de registros y la ocupación limitada aún más debido a su intercambio de datos agregado y la complejidad de sincronización.  Microkernels de parquet en cuDF Para mitigar las limitaciones de ocupación causadas por usos de registro más altos, probamos una idea inicial de un núcleo más pequeño para preprocesar datos de tipo de lista en Parquet. Separamos un fragmento de código del núcleo monolítico en un núcleo autónomo y los resultados fueron impresionantes. Los puntos de referencia generales mostraron tiempos de ejecución más rápidos y los rastros de GPU demostraron una mejor ocupación. Después de eso, probamos el mismo enfoque para diferentes tipos de columnas. Los microkernels para varios tipos utilizaron plantillas C++ para reutilizar las capacidades. Esto simplificó el código para el mantenimiento y la depuración por tipo. El enfoque de microkernel de Parquet aprovecha la optimización del tiempo de compilación para pasar solo por las rutas de código necesarias para procesar un tipo determinado. En lugar de un núcleo monolítico que contiene todas las rutas de código posibles, puede generar muchos microkernels individuales que contienen solo el código necesario para esa ruta.  Esto se puede hacer usando if constexpr en el momento de la compilación, de modo que el código se lea normalmente, pero no incluya ninguna ruta de código que nunca se tome para una combinación particular de atributos de datos (cadenas o ancho fijo, listas o listas no, etc.). Aquí hay un ejemplo simple para procesar columnas de tipo de ancho fijo. Puede ver que la mayoría del procesamiento no es necesario y se omite en el nuevo enfoque de microkernel. Solo se necesita la copia de datos para este tipo. Para resolver el cuello de botella entre las deformaciones, los nuevos microkernels permitieron procesar bloques enteros en cada

Leer más »

Inversión en Estados Unidos. Startup Blank Beauty para Crear Nuevas Experiencias de Clientes Utilizando Robótica en las Industrias Minoristas y de Servicios

Seiko Epson Corporation (TSE: 6724, «Epson») y Epson X Investment Corporation (Presidente: Yasunori Yoshino, Sede: Chiyoda-ku, Tokio) se complacen en anunciar que han invertido recientemente en la startup con sede en Tennessee Blank Beauty, Inc. (CEO: Charles Brandon, sede: Tennessee, EE.UU., «Blank Beauty») a través de un fondo conjunto, el EP-GB L.P. Los robots de Epson sobresalen en términos de compacidad, precisión y productividad. Blank Beauty tiene una plataforma que permite a los clientes crear esmaltes de uñas de color personalizado. Al integrar su tecnología robótica con la plataforma de Blank Beauty, Epson explorará el potencial de la robótica en varios escenarios minoristas y de servicios, incluido su potencial para optimizar las operaciones y ofrecer experiencias personalizadas a los clientes que van más allá de los productos y servicios tradicionales. Esta inversión se hizo para acelerar este esfuerzo. Descripción general del vínculo Epson y Blank Beauty formarán una alianza estratégica y colaborarán principalmente en las siguientes áreas: 1. Desarrollo conjunto de terminal de quiosco para el comercio minorista 2. Desarrollo conjunto de soluciones para el comercio electrónico 3. Desarrollo conjunto de máquinas de fabricación compactas para la industria de servicios Perspectivas Futuras En el futuro, Epson continuará aprovechando sus tecnologías, productos y servicios únicos para contribuir a la realización de una sociedad sostenible a través de la co-creación con varios socios. EPSON News. Traducido al español

Leer más »

Tareas de rutina Intel Core Ultra Speeds en un 50% para Deloitteetss AI

En Intel Vision, la firma de consultoría analiza su inversión estratégica en PC con IA y cómo ha impulsado las ganancias de eficiencia. ¿Una reducción del 50% en el tiempo de procesamiento para tareas rutinarias de un solo cambio tecnológico? ¿Qué tal el aumento de la productividad, la velocidad y la rentabilidad, la reducción de las tasas de error y una mayor seguridad y privacidad debido al mismo ajuste tecnológico? Estos son los tipos de mejoras que busca cada empresa. Deloitte Consulting obtuvo estas ventajas después de invertir en una nueva flota de PC de IA con procesadores Intel® Core™ Ultra. Los líderes de la compañía discutieron los beneficios esta semana durante una sesión de clientes en la etapa principal dirigida por Michelle Johnston Holthaus, CEO de Intel Products, y Christoph Schell, director comercial de Intel, en Intel Vision en Las Vegas. Kit de Prensa: Visión Intel 2025 “El retorno de la inversión es claro,” dice Dave Kuder, U.S. Consultoría AI Insights & Engagement Market Ofreciendo lead en Deloitte Consulting LLP. “Reconocimos que hace 18 a 24 meses la IA iba a tener que ser una gran inversión para nosotros. Y luego el desafío se convirtió en ‘¿Cómo implementamos esta capacidad a nuestro equipo profesional de 180,000 personas fuertes de la manera más rentable?’ Ahí es donde las PC de IA con Intel Core Ultra han sido fundamentales para que podamos ofrecer esa capacidad y poder implementarla.” ¿Qué es una PC AI? Las herramientas de IA generativas basadas en Internet disponibles públicamente se basan en el inmenso poder de procesamiento de los centros de datos masivos. Los usuarios ingresan su información, luego se envía a la nube y se convierte en parte del modelo de aprendizaje. Sin embargo, las PC con IA pueden procesar datos en la computadora. No se requiere conectividad a Internet, y los datos se procesan de forma segura en las instalaciones, lejos de miradas indiscretas de terceros. Y ejecutar AI localmente ahorra la tarifa de suscripción mensual que cobran muchos proveedores de IA en línea, al tiempo que mitiga la latencia potencial que los usuarios pueden experimentar al ejecutar servicios de IA basados en la nube.1 Las PC de IA permiten el procesamiento local en la medida en que sea compatible con una aplicación en particular. Las PC con IA tienen una unidad central de procesamiento (CPU), una unidad de procesamiento de gráficos (GPU) y una unidad de procesamiento neuronal (NPU). Es un equipo hecho para desglosar las cargas de trabajo de IA. La GPU es ideal para la creación de contenido digital acelerado por IA. La NPU es ideal para cargas de trabajo de IA sostenidas y descarga de IA para una mayor duración de la batería. Y la respuesta rápida de la CPU es ideal para cargas de trabajo de IA de baja latencia. Cómo los ingenieros de Deloitte usan las PC Intel AI Los servicios de consultoría de Deloitteats son tan amplios como las empresas e industrias a las que ayuda. La organización realiza auditorías financieras para asegurar que los registros sean precisos; ayuda a las empresas minoristas o entidades gubernamentales a resolver problemas y mejorar las operaciones para ser más eficientes; ayuda a los fabricantes de automóviles y compañías de entretenimiento a navegar por el complejo mundo de los impuestos; ayuda a los bancos a evaluar los riesgos de prestar dinero o los atraviesa una crisis financiera. La firma también realiza consultoría especializada en salud, ciencias de la vida, energía y servicios públicos. El trabajo de la empresa requiere empleados con conocimientos especializados en contabilidad, finanzas, tecnología, estrategia y gestión de riesgos – entre otras especialidades. Y Deloitte emplea a más de 20,000 ingenieros que diseñan estrategias e implementan soluciones impulsadas por la tecnología para los clientes. Es ahí donde las PC con IA con tecnología Intel han marcado una gran diferencia. Dounia Senawi (derecha), directora comercial de Deloitte Consultings, aparece en el escenario con Jim Johnson, gerente general de Client Computing Group en Intel, durante el evento Intel Vision el martes 1 de abril de 2025 en Las Vegas. Senawi discutió la inversión estratégica de Deloitteat en una flota de PC Intel Core Ultra AI para sus desarrolladores, e informó que la compañía ha visto un ahorro de tiempo del 50% en completar tareas rutinarias. (Crédito: Intel Corporation) Dounia Senawi (derecha), directora comercial de Deloitte Consultings, aparece en el escenario con Jim Johnson, gerente general de Client Computing Group en Intel, durante el evento Intel Vision el martes 1 de abril de 2025 en Las Vegas. Senawi discutió la inversión estratégica de Deloitteat en una flota de PC Intel Core Ultra AI para sus desarrolladores, e informó que la compañía ha visto un ahorro de tiempo del 50% en completar tareas rutinarias. (Crédito: Intel Corporation) Dounia Senawi (derecha), directora comercial de Deloitte Consultings, aparece en el escenario con Jim Johnson, gerente general de Client Computing Group en Intel, durante el evento Intel Vision el martes 1 de abril de 2025 en Las Vegas. Senawi discutió la inversión estratégica de Deloitteat en una flota de PC Intel Core Ultra AI para sus desarrolladores, e informó que la compañía ha visto un ahorro de tiempo del 50% en completar tareas rutinarias. (Crédito: Intel Corporation) Dounia Senawi (derecha), directora comercial de Deloitte Consultings, aparece en el escenario con Jim Johnson, gerente general de Client Computing Group en Intel, durante el evento Intel Vision el martes 1 de abril de 2025 en Las Vegas. Senawi discutió la inversión estratégica de Deloitteat en una flota de PC Intel Core Ultra AI para sus desarrolladores, e informó que la compañía ha visto un ahorro de tiempo del 50% en completar tareas rutinarias. (Crédito: Intel Corporation) (~23 MB) “AI debe considerarse como una característica, no como un producto independiente. Y eso significa que debe estar integrado en cómo trabajan las personas, en dónde trabajan, dónde ocurren los negocios,” dice Bill Briggs, director de tecnología de Deloitte Consultings. “Hemos incorporado IA en nuestras plataformas de ingeniería, y al usar PC

Leer más »

De Navegar a Comprar: Cómo los Agentes de IA Mejoran las Compras en Línea

Las compras en línea ponen un mundo de opciones en la punta de los dedos de las personas, por lo que es conveniente para ellos comprar y recibir pedidos — todo desde la comodidad de sus hogares. Pero demasiadas opciones pueden convertir las experiencias de emocionantes a agotadoras, dejando a los compradores luchando por cortar el ruido y encontrar exactamente lo que necesitan. Al aprovechar Agentes de IAlos minoristas pueden profundizar su compromiso con los clientes, mejorar sus ofertas y mantener una ventaja competitiva en un mercado digital que cambia rápidamente. Cada interacción digital da como resultado la captura de nuevos datos. Estos valiosos datos de los clientes se pueden utilizar para alimentar IA generativa y IA Agentic herramientas que brindan recomendaciones personalizadas e impulsan las ventas en línea. Según las últimas noticias de NVIDIAia Estado de la IA en el informe de Bienes Minoristas y Empaquetados por el Consumidor64% de los encuestados que invierten en IA para el comercio minorista digital están priorizando las recomendaciones hiperpersonalizadas. Inteligente, Sin Costuras y Personalizado: El Futuro de la Experiencia del Cliente Los agentes de IA ofrecen una gama de beneficios que mejoran significativamente la experiencia del cliente minorista, que incluyen: Aplicaciones del Mundo Real de Agentes de IA en el Retail AI está redefiniendo el comercio digital, capacitando a los minoristas para ofrecer experiencias de compra más ricas e intuitivas. Desde mejorar los catálogos de productos con datos precisos y de alta calidad hasta mejorar la relevancia de la búsqueda y ofrecer asistencia de compra personalizada, los agentes de IA están transformando la forma en que los clientes descubren, interactúan y compran productos en línea. Agentes de IA para el enriquecimiento de catálogos mejore automáticamente la información del producto con atributos centrados en el consumidor. Estos atributos pueden variar desde detalles básicos como tamaño, color y material hasta detalles técnicos como información de garantía y compatibilidad. También incluyen atributos contextuales, como sostenibilidad y atributos de estilo de vida, como “para practicar senderismo.” Los agentes de IA también pueden integrar atributos de servicio —, incluidos los tiempos de entrega y las políticas de devolución —, lo que hace que los artículos sean más detectables y relevantes para los clientes, al tiempo que abordan preocupaciones comunes para mejorar los resultados de compra. Amazon se enfrentó al desafío de garantizar información completa y precisa del producto para los compradores, al tiempo que reducía el esfuerzo y el tiempo necesarios para que los vendedores crearan listados de productos. Para abordar esto, la empresa IA generativa implementada usando el TensorRT-LLM NVIDIA biblioteca. Esta tecnología permite a los vendedores ingresar una descripción del producto o URL, y el sistema genera automáticamente una lista completa y enriquecida. El trabajo ayuda a los vendedores a llegar a más clientes y expandir sus negocios de manera efectiva, al tiempo que hace que el catálogo sea más receptivo y eficiente energéticamente. Agentes de IA para búsqueda aproveche los datos enriquecidos para ofrecer resultados de búsqueda más precisos y contextualmente relevantes. Al emplear la comprensión semántica y la personalización, estos agentes combinan mejor las consultas de los clientes con los productos correctos, lo que hace que la experiencia de búsqueda general sea más rápida e intuitiva. Amazon Music ha optimizado sus capacidades de búsqueda utilizando la plataforma Amazon SageMaker con Servidor de inferencia NVIDIA Triton y el TensorRT NVIDIA kit de desarrollo de software. Esto incluye implementar la búsqueda vectorial y transformadormodelos basados en corrección ortográfica. Como resultado, cuando los usuarios buscan música — incluso con errores tipográficos o términos vagos — pueden encontrar rápidamente lo que están buscando. Estas optimizaciones, que hacen que la barra de búsqueda sea más efectiva y fácil de usar, han llevado a tiempos de búsqueda más rápidos y costos 73% más bajos para Amazon Music. Agentes de IA para asistentes de compras aproveche el catálogo enriquecido y la funcionalidad de búsqueda mejorada. Ofrecen recomendaciones personalizadas y responden consultas de manera detallada, relevante y conversacional, guiando a los compradores a través de sus viajes de compra con una comprensión integral de los productos y la intención del usuario. SoftServe, un asesor de TI líder, ha lanzado el Asistente de compras de SoftServe Gen AI, desarrollado usando el NVIDIA AI Blueprint para asistentes de compras minoristas. El asistente de compras de SoftServeirs ofrece experiencias de compra atractivas y sin problemas al ayudar a los clientes a descubrir productos y acceder a información detallada del producto de manera rápida y eficiente. Una de sus características más destacadas es la capacidad de prueba virtual, que permite a los clientes visualizar cómo la ropa y los accesorios se ven en ellos en tiempo real. Definiendo los Rasgos Esenciales de un Potente Agente de Compras de IA Los asistentes de compras de IA altamente calificados están diseñados para ser multimodales, comprender mensajes basados en texto e imágenes, voz y más grandes modelos de idiomas (LLM) y modelos de lenguaje de visión. Estos agentes de IA pueden buscar múltiples elementos simultáneamente, completar tareas complicadas —, como crear un armario de viaje — y responder preguntas contextuales, como si un producto es resistente al agua o requiere limpieza en seco. Este alto nivel de sofisticación ofrece experiencias similares a comprometerse con el mejor asociado de ventas de una empresa, entregando información a los clientes de una manera natural e intuitiva. Los componentes básicos de un poderoso agente de compras minoristas incluyen: Mediante el uso de estas tecnologías clave, los minoristas pueden diseñar agentes de compras de IA que superen las expectativas de los clientes, lo que aumenta la satisfacción y mejora la eficiencia operativa. Las organizaciones minoristas que aprovechan los agentes de IA están preparadas para experimentar capacidades en evolución, como el análisis predictivo mejorado para recomendaciones personalizadas adicionales. Y se espera que la integración de la IA con tecnologías de realidad virtual y aumentada cree entornos de compra aún más inmersivos y atractivos — entregando un futuro donde las experiencias de compra son más inmersivas, convenientes y centradas en el cliente que nunca. Obtenga más información sobre el Plan de IA para asistentes de compras minoristas. NVIDIA Blog. Traducido al español

Leer más »
Scroll al inicio