El Portal de las Tecnologías para la Innovación

Categoría: Inteligencia Artificial Generativa

De la visión al impacto: El papel de los datos en tiempo real en la sostenibilidad industrial

Reducir las emisiones de CO2 es un imperativo comercial en toda la cadena de valor, e incluso las industrias más intensivas en energía, como la fabricación de productos químicos, deben equilibrar los esfuerzos de sostenibilidad con la mejora de la rentabilidad y la productividad. Los crecientes requisitos de información ambiental, social y de gobernanza (ESG) y las regulaciones gubernamentales y de la industria locales y nacionales están agregando presión para las empresas, particularmente para aquellas en los sectores de petróleo y gas, puertos, minería y manufactura. Reducir las emisiones de CO2 es un imperativo comercial en toda la cadena de valor, e incluso las industrias más intensivas en energía, como la fabricación de productos químicos, deben equilibrar los esfuerzos de sostenibilidad con la mejora de la rentabilidad y la productividad. Al mejorar la eficiencia operativa, las industrias pueden reducir su consumo de energía, reducir el desperdicio y desbloquear nuevas ventajas competitivas. Sin embargo, para hacerlo, deben encontrar formas de acceder a datos precisos para comparar su impacto ambiental actual, identificar áreas de mejora y realizar un seguimiento del progreso a lo largo del tiempo. Para muchos, esto puede estar lleno de dificultades, con limitaciones técnicas que crean obstáculos. En 2023, IBM informó que el 41% de los ejecutivos citó datos inadecuados como una barrera superior para el progreso de ESG. El desafío de acceder a datos de sostenibilidad operativa Las industrias enfrentarán muchos desafíos en torno a los informes de ESG, que incluyen: Las empresas pueden visualizar su progreso o las mejoras de sostenibilidad que podrían capitalizar. Los informes transparentes con las partes interesadas clave, el cumplimiento normativo y la reputación pública pueden ponerse en riesgo. En un mundo donde hacer un progreso sostenible es clave – estas prácticas son completamente insostenibles. Entonces, ¿cuál es la respuesta? La digitalización es la clave Para mejorar la visibilidad y obtener información más profunda sobre el rendimiento operativo y de sostenibilidad, muchas industrias están recurriendo a la digitalización. Statista espera que el gasto en transformación digital alcance $3.9 billones en 2027, frente a $2.5 billones en 2024. A través de la digitalización de sus operaciones, las empresas industriales pueden acceder: Las herramientas digitales permiten la sostenibilidad basada en datos Un estudio reciente realizado por GlobalData y Nokia encontró que el 79% de las empresas lograron una reducción de más del 10% en las emisiones después de implementar soluciones de digitalización, y el 78% vio un ROI positivo en los primeros seis meses de implementación de tecnologías inalámbricas y de digitalización privadas. Para lograr la transparencia de los datos operativos a través de la digitalización, las industrias deben implementar cuatro componentes clave: Hoy está surgiendo un quinto componente: Inteligencia Artificial (IA) permite a las empresas aprovechar los grandes modelos de idiomas (LLM) y el aprendizaje automático (ML). Para que AI cumpla con sus promesas de transformar las operaciones industriales, necesita acceso a grandes cantidades de datos precisos en tiempo real. Con una ventaja local, las empresas tienen un centro de datos unificado en tiempo real que se puede utilizar para implementar y escalar casos de uso de IA en la vida real, lo que permite una visibilidad integral de los datos, información procesable, automatización avanzada y una mejor conciencia situacional. Las formas en que la IA puede avanzar en el análisis de datos y el monitoreo de informes y avances de sostenibilidad incluyen: Al implementar casos de uso impulsados por IA, es importante tener en cuenta las altas demandas de procesamiento de datos de las aplicaciones de IA, que pueden afectar significativamente el consumo de energía y la huella ambiental. Optar por una infraestructura de cómputo local con capacidad de IA puede reducir el impacto de la sostenibilidad en comparación con el procesamiento basado en la nube. Sin embargo, es esencial equilibrar los beneficios de las aplicaciones de IA con su impacto ambiental para garantizar un resultado neto positivo. El viaje a Net Zero está respaldado por datos y digitalización Las empresas que adoptan su viaje de digitalización hoy acelerarán sus objetivos de sostenibilidad y transformarán los procesos para mejorar la eficiencia operativa, la seguridad y la rentabilidad. Los datos completos y en tiempo real obtenidos de las operaciones de digitalización serán fundamentales para informar su viaje al cero neto, proporcionando una visibilidad y transparencia profundas, apoyando los informes ESG y permitiendo la toma de decisiones informada para mejorar las operaciones. Además, los nuevos casos de uso habilitados por la digitalización generan valor que se extiende más allá de simplemente respaldar los requisitos de informes, lo que le permite reducir el consumo de combustible, desperdicio y energía en sus operaciones. NOKIA Blog. S. D. Traducido al español

Leer más »
marzo 24, 2025

Teradyne Robotics presentará soluciones impulsadas por AI Accelerator en NVIDIA GTC 2025, marcando la primera en robótica colaborativa impulsada por AI

 Teradyne Robótica y sus socios están listos para presentar un conjunto de soluciones avanzadas de robótica impulsadas por IA en GTC NVIDIA 2025 Marzo 17-21. La presentación representa la primera demostración pública de la Acelerador AI en aplicaciones comercialmente viables. “Physical AI equipa a los robots con la capacidad de percibir y responder al mundo real, proporcionando la versatilidad y las capacidades de resolución de problemas que a menudo requieren los casos de uso complejos que han estado fuera de alcance hasta ahora, dice James Davidson, Director de IA de Teradyne Robotics. “En lugar de simplemente ejecutar instrucciones preprogramadas, los robots habilitados por AI obtienen la capacidad de aprender, adaptarse y tomar decisiones informadas basadas en su aporte sensorial,” dice, y agrega: “Piense en una operación logística donde los robots navegan a través de un almacén con diseños y obstáculos en constante cambio. O un sitio de construcción donde los robots ayudan en tareas de ensamblaje dentro de entornos impredecibles y cambiantes. El Acelerador de IA ayuda a nuestros cobots a comprender mejor su entorno, planificar caminos óptimos y ejecutar tareas de manera segura y eficiente en espacios previamente inmanejables Estrecha colaboración con NVIDIAEl AI Accelerator es un kit de herramientas diseñado por la compañía Teradyne Robotics Robots Universales (UR) en colaboración con NVIDIA para permitir el desarrollo de aplicaciones impulsadas por IA al llevar la aceleración de IA a la plataforma de software de próxima generación de UR Poliscopio X. El kit de herramientas funciona con NVIDIA Isaac™ bibliotecas aceleradas y modelos de IA, ejecutándose en el NVIDIA Jetson AGX Orin™ sistema en módulo. Ujjwal Kumar, presidente de Teradyne Robotics Group, espera compartir las nuevas aplicaciones físicas de IA con las audiencias de NVIDIA GTC: “The AI Accelerator ofrece a los desarrolladores una plataforma extensible para crear y eliminar el riesgo de las aplicaciones y reducir el tiempo de comercialización,” dice Kumar. «Nuestras nuevas aplicaciones asociadas impulsadas por AI Accelerator demuestran claramente cómo Universal Robots se está convirtiendo en la plataforma preferida para la IA física, abordando desafíos previamente irresolubles en la robótica colaborativa.» «Las implementaciones de robótica y IA física están en una trayectoria acelerada impulsada por los avances en IA generativa y simulación con la plataforma robótica Isaac de NVIDIA, dijo Deepu Talla, Vicepresidente de Robótica y Edge AI de NVIDIA. “Nuestra colaboración con Teradyne Robotics aporta esta última tecnología y beneficios a la extensa red de desarrolladores y socios de Teradynena.» UR Partner Solutions en exhibición en NVIDIA GTC 3D Infotech – Metrología Dinámica: Mostrando un cobot UR3e que escanea piezas de trabajo, las compara con modelos CAD y resalta imprecisiones dimensionales al proyectarlas sobre la superficie de la pieza de trabajo. El acelerador AI mejora las capacidades de percepción del cobot, lo que le permite ubicar con mayor precisión la pieza de trabajo para su inspección. T-Robotics – Programación impulsada por GenaI: Demostrar un cobot UR5e con máquina CNC impulsada por LLM tendiendo. Con T-Robotics ActGPT, los usuarios pueden describir una configuración de aplicación en lenguaje natural y traducirla a un programa de robot con la ayuda del Acelerador de IA. AICA – Asamblea de Aprendizaje de Refuerzo: Con un cobot UR5e que ejecuta un conjunto de engranaje de un solo brazo utilizando aprendizaje de refuerzo. El cobot localiza una pieza utilizando la percepción basada en AI Accelerator y luego utiliza una habilidad de aprendizaje de refuerzo para completar un proceso de ensamblaje rico en contactos. Acumino – Asamblea Bimanual: El Acelerador de IA facilita la capacidad bimanual de los cobotados UR5e para aprender tareas complejas de manipulación de demostraciones humanas. El sistema completa una tarea de manejo de cables eléctricos y los asistentes pueden colaborar con el robot para resolver la tarea. Luz de fondo – Detección de piezas de trabajo para Picking Racionalizado: El Acelerador AI entrena un modelo para detectar una pieza de trabajo y generar un programa de robot para recoger, luego verifica que el espacio de trabajo del robot esté listo, asegurando una solución robusta y fácil de implementar. Las soluciones que se muestran en NVIDIA GTC se ejecutan en la última versión del Acelerador de IA (1.1). La nueva versión integra la última versión de NVIDIA Isaac ROS , específicamente NVIDIA Isaac™ Manipulador componentes que permiten una estimación de pose mejorada y un rendimiento de planificación de ruta. La última versión del AI Accelerator también ofrece conectividad GMSL de alta velocidad en sensores de visión, actualizada desde USB3 y se ejecuta en la versión más reciente de PolyScope X (10.8). Si bien el Acelerador de IA se centra principalmente en los cobots UR, la IA subyacente y la tecnología informática acelerada también se benefician Robots Industriales Móviles (MiR), otra compañía de Teradyne presentada en GTC. El MiR1200 Pallet Jack utiliza la visión 3D y el módulo NVIDIA Jetson AGX Orin para la detección de palets, lo que permite que el palet jack identifique, recoja y entregue palets con precisión en entornos complejos. «Todas estas aplicaciones demuestran que nuestro Acelerador de IA está realmente diseñado para donde la IA hace la diferencia», explica Davidson, quien presentará el GTC Lightning Talk «Accelerating AI-Driven Robotics with Universal Robots» el 18 de marzo a las 2 PM PST en la conferencia. “Los desarrolladores ahora pueden aprovechar fácilmente la IA física para crear aplicaciones robóticas innovadoras gracias a la integración perfecta de NVIDIA Isaac Manipulator, PolyScope X y conjuntos de herramientas fáciles de usar. Y estamos empezando con más innovaciones a finales de este año.” Universal Robots News. Traducido al español

Leer más »
marzo 23, 2025

ITE Singapur colabora con Dell Technologies para permitir la adopción de IA mediante el lanzamiento del Centro VDI de nube híbrida

Dell Technologies (NYSE: DELL) y el Instituto de Educación Técnica (ITE) firmaron un Memorando de Entendimiento (MOU) para establecer un Centro de Infraestructura de Escritorio Virtual (VDI) de nube híbrida en el ITE destinado a mejorar el desarrollo de habilidades digitales y acelerar la adopción de IA para pequeñas y medianas empresas (PYME). Dell Technologies News. Traducido al español

Leer más »
marzo 23, 2025

Por qué su organización necesita abordar el sesgo y la equidad en la IA generativa

A pesar de su potencial para mejorar la eficiencia y mejorar los resultados comerciales, la IA generativa también plantea desafíos significativos para las empresas que deben enfrentarse para garantizar la equidad y la transparencia en su implementación. Como la IA generativa continúa infiltrándose e interrumpiendo todos los sectores empresariales, desde el servicio al cliente hasta la creación de contenido, están creciendo comprensiblemente las preocupaciones sobre sus riesgos potenciales, especialmente en torno al sesgo y la equidad. Porque, aunque esta tecnología puede desbloquear claramente las eficiencias y ofrecer beneficios comerciales, también hay una serie de desafíos potenciales que deben abordarse con respecto a la equidad y la transparencia antes de que pueda implementarse a escala. Entender el sesgo La conversación sobre el sesgo potencial en la IA comenzó mucho antes de la llegada de ChatGPT o la discusión de los principales medios de comunicación de Large Language Models (LLM). Durante el tiempo que ha habido algoritmos de IA, ha habido preocupación de que debido a las decisiones tomadas durante su entrenamiento, diseño y desarrollo, estos algoritmos podrían actuar con favoritismo o prejuicio. Para la IA generativa, este sesgo puede manifestarse de varias maneras: Datos de entrenamiento La calidad y cantidad de datos utilizados para entrenar un modelo de IA tendrá una influencia directa sobre su potencial para entregar resultados sesgados. Por ejemplo, si se entrena exclusivamente en fuentes de idioma inglés, se podría percibir que los resultados reflejan un sesgo occidental. O bien, si se formara un modelo sobre una muestra geográfica de datos mucho más amplia, pero cada texto de formación anterior a 2001, los resultados podrían parecer reforzar o preferir puntos de vista sociales o políticos obsoletos. Algoritmo diseño Los algoritmos en sí mismos pueden introducir sesgos si no están diseñados teniendo en cuenta la equidad. Por ejemplo, las elecciones realizadas con respecto a cómo sopesar diferentes tipos de datos de entrada pueden crear un desequilibrio que favorece ciertos resultados sobre otros, independientemente de los datos de entrenamiento. Bucles de retroalimentación La IA generativa se basa en los comentarios de los usuarios para juzgar, confirmar y mejorar sus resultados. Si los mecanismos de retroalimentación no se ponderan o prueban adecuadamente para determinar su equidad u objetividad, entonces pueden crear y reforzar las desigualdades en el modelo durante y después del desarrollo para que sus resultados estén sesgados. Cuestiones de transparencia La IA generativa es capaz de ofrecer resultados complejos y completos, pero muchos de los sistemas más populares son opacos en la medida en que no explican o no pueden explicar cómo llegaron a su respuesta o solución. Y esta falta de claridad y transparencia puede conducir a una falta de confianza y puede agravar los problemas relacionados con el sesgo y la equidad de varias maneras. Interpretabilidad Como muchos sistemas de IA son esencialmente cajas negras donde entra una pregunta y sale una respuesta, pero los cálculos para llegar a la respuesta están ocultos, hace que sea aún más difícil identificar si un modelo está sesgado y en qué sentido. Y si los usuarios pueden mirar debajo del capó, por así decirlo, será menos probable que confíen en él o en sus salidas. Responsabilidad Y, por supuesto, si no hay forma de entender el proceso de toma de decisiones, se hace difícil determinar dónde se encuentra el problema — en los datos de capacitación, el diseño del modelo, la entrada del usuario o la calibración inicial a través de mecanismos de retroalimentación. Sin saber quién o qué es responsable, es difícil desarrollar o establecer una estructura de gobierno para el uso de los sistemas dentro de una organización. Cuestionar la equidad Si bien se puede argumentar que la equidad y el sesgo son muy similares, la equidad se convierte en un problema distinto cuando GenaI se aplica dentro de un rol o campo específico. Por ejemplo: Moderación de contenido Cuando se utilizan para la moderación de contenido, las herramientas de IA generativas pueden censurar o silenciar desproporcionadamente ciertas opiniones o perspectivas simplemente porque los datos de capacitación no son representativos de la base completa de clientes o usuarios. Reclutamiento Si un modelo utilizado para la selección o selección de solicitantes está capacitado en datos históricos que reflejan el sesgo social histórico o la desigualdad, es probable que favorezca ciertos datos demográficos sobre otros y esto corre el riesgo de hacer que el proceso de reclutamiento sea injusto. Creatividad En las industrias creativas, el arte musical, el diseño y la literatura generados por o con el apoyo de GenaI pueden plantear preguntas sobre la autoría, la originalidad y la posible homogeneización de la creatividad. La mezcla de obras existentes puede conducir a corto plazo a reclamos de plagio o robo y, a largo plazo, reducir la diversidad de la producción creativa, afectando en última instancia la expresión artística y las narrativas culturales. 5 formas de superar los problemas de sesgo y equidad Una vez que las organizaciones son conscientes de los problemas y sus causas fundamentales, hay varias formas de mitigar los posibles sesgos, generar confianza, garantizar la equidad y obtener la compra necesaria para que las herramientas y soluciones generativas impulsadas por IA puedan ofrecer beneficios comerciales genuinos. 1. Datos diversificados Una de las mejores maneras de abordar el sesgo es mejorando o aumentando los datos de capacitación para que tengan una mayor amplitud y profundidad y sean más representativos y reflexivos del mundo y el contexto en el que se implementará la tecnología. Las organizaciones deben: 2. Diseño de algoritmo Las organizaciones pueden emplear técnicas específicas durante la fase de diseño del algoritmo para minimizar la introducción de sesgos. Estos incluyen: 3. Transparencia e interpretabilidad Mejorar la transparencia es crucial para generar confianza en los sistemas de IA. Las organizaciones pueden tomar los siguientes pasos: 4. Promover el desarrollo inclusivo y ético de la IA Los equipos que identifican casos de uso y desarrollan y prueban soluciones deben ser multidisciplinarios y representativos de la organización, en lugar de limitarse a los miembros del departamento de TI. Además de aumentar la capacidad

Leer más »
marzo 23, 2025

NVIDIA Revela el Conjunto de Datos de IA Física Abierta para Avanzar en el Desarrollo de Robótica y Vehículos Autónomos

Se espera que se convierta en el conjunto de datos más grande del mundo, el lanzamiento inicial de datos sintéticos estandarizados ahora está disponible para los desarrolladores de robótica como código abierto. Enseñar a los robots y vehículos autónomos cómo interactuar con el mundo físico requiere grandes cantidades de datos de alta calidad. Para dar a los investigadores y desarrolladores una ventaja, NVIDIA está lanzando un conjunto de datos masivo de código abierto para construir la próxima generación de IA física. Anunciado en GTC NVIDIA, una conferencia global de IA que se llevará a cabo esta semana en San José, California, este conjunto de datos pre-validado de grado comercial puede ayudar a los investigadores y desarrolladores a poner en marcha proyectos de IA física que pueden ser prohibitivamente difíciles de comenzar desde cero. Los desarrolladores pueden usar directamente el conjunto de datos para el modelo preentrenamiento, pruebas y validación — o úselo durante post-entrenamiento para afinar los modelos de fundaciones mundiales, acelerando el camino hacia la implementación. El conjunto de datos inicial es ahora disponible en Hugging Face15 Terabytes de datos que representan más de 320,000 trayectorias para la capacitación en robótica, más hasta 1,000 Descripción de la Escena Universal (OpenUSD) activos, incluyendo a SimReady colección. Datos dedicados para apoyar el desarrollo de vehículos autónomos (AV) de extremo a extremo —, que incluirá clips de 20 segundos de diversos escenarios de tráfico que abarcan más de 1,000 ciudades en los Estados Unidos y dos docenas de países europeos — llegará pronto. Este conjunto de datos crecerá con el tiempo para convertirse en el conjunto de datos unificado y abierto más grande del mundo para el desarrollo físico de la IA. Podría aplicarse para desarrollar modelos de IA para alimentar robots que maniobran de manera segura los entornos de almacén, robots humanoides que apoyan a los cirujanos durante los procedimientos y AV que pueden navegar escenarios de tráfico complejos como zonas de construcción. El conjunto de datos NVIDIA Physical AI está programado para contener un subconjunto del mundo real y datos sintéticos NVIDIA utiliza para entrenar, probar y validar la IA física para el Cosmos NVIDIA plataforma de desarrollo de modelos mundiales, el NVIDIA DRIVE AV pila de software, el NVIDIA Isaac Plataforma de desarrollo de robots de IA y el Metrópolis NVIDIA marco de aplicación para ciudades inteligentes. Los primeros en adoptar incluyen el Berkeley DeepDrive Center de la Universidad de California, Berkeley, el Carnegie Mellon Safe AI Lab y el Contextual Robotics Institute de la Universidad de California, San Diego. “Podemos hacer muchas cosas con este conjunto de datos, como entrenar modelos predictivos de IA que ayuden a los vehículos autónomos a rastrear mejor los movimientos de usuarios vulnerables de la carretera como peatones para mejorar la seguridad,” dijo Henrik Christensen, director de robótica múltiple y laboratorios de vehículos autónomos en UCSD. “Un conjunto de datos que proporciona un conjunto diverso de entornos y clips más largos que los recursos de código abierto existentes será tremendamente útil para avanzar en robótica e investigación AV.” Abordar la Necesidad de Datos Físicos de IA El conjunto de datos NVIDIA Physical AI puede ayudar a los desarrolladores escala el rendimiento de la IA durante el preentrenamiento, donde más datos ayudan a construir un modelo más robusto — y durante el postentrenamiento, donde un modelo de IA se entrena en datos adicionales para mejorar su rendimiento para un caso de uso específico. Recopilar, seleccionar y anotar un conjunto de datos que cubra diversos escenarios y represente con precisión la física y la variación del mundo real lleva mucho tiempo, presentando un cuello de botella para la mayoría de los desarrolladores. Para los investigadores académicos y las pequeñas empresas, ejecutar una flota de vehículos durante meses para recopilar datos para la IA de vehículos autónomos es poco práctico y costoso — y, dado que gran parte de las imágenes recopiladas no tienen incidentes, generalmente solo el 10% de los datos se utilizan para la capacitación. Pero esta escala de recopilación de datos es esencial para construir modelos seguros, precisos y de grado comercial. NVIDIA Isaac GR00T los modelos de robótica tardan miles de horas de videoclips para el post-entrenamiento — el Modelo GR00T N1, por ejemplo, fue entrenado en un conjunto de datos humanoides expansivo de datos reales y sintéticos. El NVIDIA DRIVE AV el modelo de IA de extremo a extremo para vehículos autónomos requiere decenas de miles de horas de datos de conducción para desarrollarse. Reproductor de Video 00:02 00:05 Este conjunto de datos abierto, que comprende miles de horas de video multicámara a una diversidad, escala y geografía sin precedentes — beneficiará particularmente el campo de la investigación de seguridad al permitir un nuevo trabajo para identificar valores atípicos y evaluar el rendimiento de la generalización del modelo. El esfuerzo contribuye a Halos NVIDIA’ sistema de seguridad AV de pila completa. Además de aprovechar el conjunto de datos de IA física de NVIDIA para ayudar a satisfacer sus necesidades de datos, los desarrolladores pueden impulsar aún más el desarrollo de IA con herramientas como NVIDIA NeMo Curador, que procesan vastos conjuntos de datos de manera eficiente para la capacitación y personalización de modelos. Usando NeMo Curator, se pueden procesar 20 millones de horas de video en solo dos semanas en las GPU NVIDIA Blackwell, en comparación con 3.4 años en tuberías de CPU no optimizadas. Los desarrolladores de robótica también pueden tocar el nuevo Plan NVIDIA Isaac GR00T para la generación de movimiento de manipulación sintética, un flujo de trabajo de referencia basado en Omniverso NVIDIA y Cosmos NVIDIA eso utiliza un pequeño número de demostraciones humanas para crear cantidades masivas de trayectorias de movimiento sintético para la manipulación de robots. Laboratorios Universitarios Establecidos para Adoptar el Conjunto de Datos para el Desarrollo de IA Los laboratorios de robótica en UCSD incluyen equipos enfocados en aplicaciones médicas, humanoides y tecnología de asistencia en el hogar. Christensen anticipa que los datos robóticos de Physical AI Datasetts podrían ayudar a desarrollar modelos semánticos de IA que comprendan el contexto de espacios como hogares, habitaciones de hotel y hospitales. “Uno de nuestros objetivos es lograr un nivel de comprensión de dónde, si se le pidiera a

Leer más »
marzo 23, 2025

Presentamos IBM Enterprise Application Runtimes

Con IBM Modernized Runtime Extension para Java (MoRE) e IBM Application Modernization Accelerator (AMA) El fin del soporte comunitario para Java 8 marca un cambio significativo en el panorama de las aplicaciones empresariales, lo que empuja a las organizaciones a modernizar sus aplicaciones Java 8 dependientes o enfrentar riesgos de seguridad y operativos cada vez mayores. Las aplicaciones que se ejecutan en versiones anteriores de Java acumulan una deuda técnica significativa, lo que resulta en mayores requisitos de mantenimiento que desvían valiosos recursos de desarrolladores de proyectos estratégicos e innovadores. En un mercado donde la agilidad, la escalabilidad y la seguridad son esenciales para el éxito, es crucial que las empresas prioricen la reducción de la deuda técnica para mantenerse competitivas. Al hacerlo, pueden mejorar la productividad del desarrollador y desbloquear la agilidad necesaria para innovar sin ser retenidos por sistemas obsoletos. La deuda técnica representa un obstáculo sustancial para adoptar prácticas más nuevas y alcanzar objetivos comerciales, lo que dificulta la capacidad de los organizadores para innovar, adaptarse a las condiciones cambiantes del mercado y mejorar la eficiencia general. Para abordar esto, presentamos IBM Enterprise Application Runtimes (EAR), una solución de software diseñada para optimizar el desarrollo y la implementación de aplicaciones Java, al tiempo que proporciona herramientas de modernización robustas y flexibilidad de tiempo de ejecución. Aprovechando la nueva IBM Modernized Runtime Extension para Java e IBM Application Modernization Accelerator, IBM EAR es una solución integral que resuelve las complejidades de desarrollar, implementar y modernizar aplicaciones Java. Alimente el futuro con IBM Modernized Runtime Extension para Java La modernización ha demostrado ser difícil a medida que las organizaciones enfrentan desafíos conflictivos: altos costos para pasar a versiones y tiempos de ejecución posteriores de Java, y migraciones que amenazan la estabilidad operativa y la continuidad del negocio. Es posible que sus equipos de desarrollo deseen ejecutar aplicaciones modernas con cargas de trabajo Java más nuevas, pero sus administradores deben centrarse en mantener la estabilidad y la seguridad de la infraestructura existente.  IBM Enterprise Application Runtimes (EAR) presenta IBM Modernized Runtime Extension for Java (MoRE) a la cartera, lo que permite a las organizaciones hacerlo más con su modelo operativo existente, aprovechando sus inversiones existentes en la consola administrativa IBM WebSphere Network Deployment (WAS ND) y permitiendo que las cargas de trabajo Java 8 y Java 17 se gestionen bajo un único modelo operativo. Con IBM MoRE, los clientes de IBM WAS ND pueden modernizar más aplicaciones y allanar el camino hacia nuevas tecnologías sin incurrir en los altos costos operativos asociados con la adopción de operaciones alternativas. Concentre su atención en más innovación, más eficiencia y más colaboración al tiempo que acelera el desarrollo de nuevas aplicaciones en apoyo de los requisitos comerciales y de mercado actuales y futuros.  Modernización facilitada con IBM Application Modernization Accelerator La modernización de las aplicaciones empresariales no es poca cosa: el código obsoleto, las dependencias complejas y los riesgos operativos hacen que el proceso sea desalentador y costoso. Reconociendo esto, IBM ha reducido significativamente la complejidad de la modernización con IA y herramientas de automatización. IBM EAR presenta IBM Application Modernization Accelerator (AMA) para simplificar y acelerar la modernización a cualquier destino compatible.  IBM AMA lo ayuda a descubrir y visualizar las relaciones y dependencias existentes, acelerar la recopilación de datos para determinar qué estrategia de modernización emplear y personalizar su plan con una guía inteligente generada automáticamente para sus aplicaciones. Además, IBM AMA optimiza el análisis de los procesos de migración de tiempo de ejecución de Java, minimizando la necesidad de personalizar las configuraciones de tiempo de ejecución de Java para nuevos entornos. Tome el control de su viaje de modernización con IBM AMA y liberarse de las limitaciones para equipar a sus equipos con la capacidad de construir, implementar e innovar más rápido que nunca. Desbloquee la flexibilidad para diversas necesidades de aplicación Como paquete de suscripción, IBM EAR permite a las organizaciones escalar y personalizar su infraestructura en función de los requisitos únicos de cada proyecto, aplicación o caso de uso. Además de esta flexibilidad de licencia y suscripción, IBM EAR reconoce el poder de elección en la selección del tiempo de ejecución más adecuado para diferentes cargas de trabajo y necesidades de los desarrolladores. Elija entre una variedad de tiempos de ejecución de IBM y tiempos de ejecución de Red Hat para desarrollar, implementar y modernizar dinámicamente aplicaciones Java y admitir su estado Java actual y futuro. Ya sea aprovechando un tiempo de ejecución más adecuado para alto rendimiento, microservicios o eficiencia, esta flexibilidad permite a las organizaciones adaptarse rápidamente a las cambiantes demandas del mercado sin comprometerse demasiado con recursos innecesarios. Redefinir su infraestructura de aplicaciones Las organizaciones están siendo cada vez más desafiadas por el inminente final del soporte para Java 8. La transición requiere abordar una deuda técnica significativa y buscar estrategias de modernización que no interrumpan la continuidad operativa ni incurran en costos elevados. Con IBM Enterprise Application Runtimes, las organizaciones pueden comenzar su viaje de modernización con la flexibilidad y las herramientas de modernización necesarias, todo sin requerir una revisión operativa y amenazando la continuidad del negocio. Con este enfoque integral, las organizaciones pueden navegar de manera efectiva las complejidades de la modernización del sistema, mitigar los riesgos y posicionarse para un crecimiento e innovación continuos. IBM News. Mc D. Ch. Traducido al español

Leer más »
marzo 23, 2025

Worley colabora con Dell Technologies para Impulsar la Innovación en IA

Dell Technologies (NYSE: DELL) anuncia que Worley (ASX:WOR), una compañía global de servicios profesionales de expertos en energía, productos químicos y recursos, está utilizando Dell AI Factory con NVIDIA, implementada en colaboración con World Wide Technology (WWT), para desarrollar soluciones seguras de IA que aceleren la innovación, desbloqueen el talento global y apliquen soluciones prácticas de IA para ofrecer valor comercial y al cliente. Dell Technologies News. Traducido al español

Leer más »
marzo 22, 2025

Más allá de las palabras: AI va multimodal para conocerte donde estás

Ha estado lloviendo durante días cuando te desplazarás por la web y te encontrarás con una imagen de una hermosa playa con agua turquesa que brilla bajo el sol.  ¿Dónde está eso, preguntas en voz alta y cómo puedo llegar allí?  La respuesta es inmediata. Su asistente de IA no solo identifica la playa, sino que también reúne un plan de vacaciones completo para usted. Hablas de los detalles para refinar tu itinerario, obtienes algunos consejos para enfrentar el clima triste mientras tanto y comienzas a tocar una banda sonora sugerida para ayudar a levantar tu estado de ánimo.  Las experiencias de IA se están volviendo cada vez más multimodales, lo que significa que pueden ir más allá de las simples indicaciones de texto — que escribes una pregunta; la herramienta responde — usando imágenes, audio y video para ver lo que ves en línea y escuchar lo que escuchas. Esas capacidades están ayudando a las últimas herramientas de IA a obtener una imagen más completa de lo que está buscando hacer, todo mientras le brinda formas más intuitivas de interactuar con la tecnología y obtener información aún más rápida y fácilmente.  Al igual que los cerebros humanos absorben información de texto, imágenes y audio simultáneamente, con los investigadores de IA multimodales que han trabajado para “colapsar todas estas capacidades en un modelo universal,” dice Ryan Volum, quien guía el desarrollo de productos de IA en Microsoft. “Weirre le da más y más del mundo que vemos como humanos.”  Si bien los modelos de IA multimodal no son completamente nuevos, están comenzando a tener un impacto en el mundo real con herramientas para ayudar a los médicos a diagnosticar y tratar a los pacientes con más precisión y las agencias meteorológicas predicen más tormentas severas precisión.   Cada vez más, la inteligencia artificial nos encontrará donde estamos para que pueda comprender mejor nuestras necesidades y satisfacerlas de manera más proactiva. Las herramientas multimodales también están ayudando a las personas a simplificar asuntos más mundanos —, como cuando Volum recientemente intentó elegir entre diferentes opciones de seguro de salud.  En lugar de tener que estudiar detenidamente el lenguaje denso de cada plan, Volum recurrió a Copilot Visión, una característica de Microsoft que proporciona asistencia en tiempo real para hacer que navegar por la web sea menos abrumador. Con su permiso, Copilot Vision pudo ver todo en el sitio que estaba examinando — no solo texto, sino también gráficos e imágenes — y resumirlo todo para él en menos tiempo de lo que lo habría llevado a recorrer la primera línea.   Luego respondió a sus preguntas en una conversación natural, trayendo información de otras fuentes para proporcionar un contexto que lo ayudó a decidir.  “Fue capaz de conocerme en mi mundo” y ofrecer una mejor asistencia, dice Volum. Lo compara con la forma en que dos personas a menudo trabajan juntas para volar un avión.  “Si tu copiloto en un avión solo podía escuchar lo que estás diciendo pero no podía ver lo que estás viendo, serían mucho menos útiles,” dice. “Pero debido a que pueden ver las nubes frente a ti, los indicadores del tablero, la telemetría del avión, ese copiloto puede ser mucho más útil, y hay mucho menos trabajo necesario para que el usuario comunique lo que necesita.” Cómo funcionan los modelos de IA multimodales — y qué pueden hacer Con la IA multimodal, los desarrolladores se han basado en los avances recientes con el lenguaje natural y han ampliado esas capacidades a diferentes entradas. Así como los modelos tradicionales de lenguaje grande (LLM) realizan tareas basadas en texto extrayendo conceptos codificados en lenguaje humano y pensamiento para hacer inferencias lógicas, resolver problemas y generar contenido, los modelos multimodales hacen lo mismo con otros modos de comunicación como voz y visuales.  Los modelos están capacitados en grandes conjuntos de datos para identificar características clave en diferentes tipos de datos, como palabras y frases en texto, formas y colores en imágenes, o tonos y tonos en audio. Ordenan estas entradas y las conectan de manera unificada — vinculando una imagen de un gato a la palabra escrita y hablada, por ejemplo — y luego reconocen patrones para hacer conexiones entre modalidades.   Una vez entrenado, un modelo puede traducir entre modos para comprender y crear contenido. Puede generar una imagen de direcciones habladas de alguien, por ejemplo, o crear audio a partir de una solicitud escrita.  Estas capacidades ampliadas están ayudando clínicos y científicos, en particular, hacer grandes avances, dice Jonathan Carlson, quien dirige la investigación en ciencias de la salud y la vida en Microsoft Health Futures.  Los LLM se utilizan durante las citas médicas para registrar y ordenar las conversaciones con los pacientes — incluso si la discusión rebotó entre los síntomas y las preguntas — para varias tareas de seguimiento que de otro modo requieren mucho tiempo y atención de un médico, como redactar un resumen después de la visita y una referencia a un especialista que el médico solo tiene que probar y firmar.  Y los modelos multimodales van un paso más allá al aplicar esa capacidad de razonamiento para analizar píxeles imágenes médicas, identificar posibles tumores u otras anomalías que podrían ser difíciles de encontrar. La IA se puede usar para apoyar y validar el trabajo de un patólogo e incluso detectar cosas que un ojo humano podría perder, dice Carlson, o extrapolar para ayudar a diagnosticar enfermedades raras que tienen datos de entrenamiento limitados.  “Ahora tenemos modelos que entienden conceptos codificados en imágenes y en lenguaje,” Carlson dice. “Así que puedes decir, ‘Hey, tengo una imagen de patología, muéstrame todas las células inmunes, identifico cualquier célula cancerosa sospechosa y avísame si hay algún biomarcador probable que pueda ayudarme a elegir el tratamiento adecuado.’ Una vez que tienes modelos que tienen estos conceptos ricos, en realidad es muy simple alinear esos conceptos y básicamente unirlos y terminar con esto rica experiencia donde ahora puedes hablar esencialmente con una imagen.”  Esa capacidad ayuda a guiar a los médicos hacia más pruebas específicas y tratamientos precisosmejorar los

Leer más »
marzo 22, 2025

Buscá noticias

Seleccioná una categoría

Newsletter

Newsletter 1
SUSCRIPCIÓN

El portal de
las tecnologías
para la innovación

Contacto

chubutdigital.it@gmail.com

CHUBUTDIGITAL® | © noviembre 2024.
Todos los derechos reservados.

Diseño web: Latini Design

Scroll al inicio