El Portal de las Tecnologías para la Innovación

Categoría: La IA aplicada a la Educación

Buscá noticias

Seleccioná una categoría

Entregando Tecnología Más Inteligente para Todos a estudiantes y educadores en la era de la IA

Lenovo transforma y crea oportunidades para el aprendizaje habilitado para la IA y aborda la persistente brecha digital. Abrazando la IA para la fuerza laboral de mañana Lenovo se esfuerza por proporcionar las herramientas necesarias para capacitar a los maestros y estudiantes de todo el mundo, incluso cuando muchos enfrentan un acceso inadecuado a la infraestructura digital y las herramientas que impulsan una mejor educación y participación en las nuevas oportunidades de trabajo del futuro.  Desde colaborar con la Asociación Estatal de Directores de Tecnología Educativa (SETDA) en los Estados Unidos y la UNESCO hasta numerosas ONG locales en todo el mundo, Lenovo está ayudando a apoyar el futuro de la educación a medida que evoluciona rápidamente con la tecnología. La inteligencia artificial (IA) está revolucionando la educación al ofrecer herramientas poderosas que personalizan las experiencias de aprendizaje para los estudiantes y mejoran la eficiencia de los maestros. Desde asistentes y tutores virtuales de IA hasta comentarios en tiempo real y calificaciones automatizadas, la IA tiene el potencial de transformar el aprendizaje en todo el mundo. Sin embargo, la persistente brecha digital amenaza con limitar el acceso a estos beneficios, particularmente para los estudiantes en comunidades desatendidas y escuelas que carecen de infraestructura tecnológica adecuada. Las tendencias divergentes de las nuevas y más poderosas herramientas habilitadas para la IA en la educación y la falta de acceso equitativo para los estudiantes amenazan los medios de vida de millones. Además, el desarrollo económico de las comunidades se ve socavado, así como las oportunidades de innovación futura por parte de los innumerables científicos y empresarios que nunca se cultivan porque nunca recibieron una educación empoderadora.   La Cuarta Revolución Industrial ya ha generado una brecha significativa de habilidades en la fuerza laboral global. En las economías avanzadas, alrededor del 60% de los empleos pueden verse afectados por la IA, e incluso hasta la mitad de esos trabajos pueden beneficiarse de la integración de la IA al mejorar la productividad.1 El mundo y sus trabajadores están cambiando rápidamente. El Foro Económico Mundial estima que el 60% de la fuerza laboral mundial requerirá capacitación adicional para 2027 con un enfoque significativo en la IA y las habilidades relacionadas con la tecnología.2 El creciente uso de tecnologías emergentes como IA, aprendizaje automático, IoT, ciberseguridad y análisis de datos en todas las industrias requiere un cambio en K-12 y educación superior. Los estudiantes necesitan capacitación, y la facultad y el personal necesitan capacitación para garantizar una fuerza laboral preparada para el futuro que pueda apoyar y hacer crecer la economía global. Cuida la brecha La brecha digital en la educación sigue siendo un desafío global significativo, que afecta el acceso a oportunidades de aprendizaje de calidad en todo el mundo. Según estimaciones recientes, aproximadamente 2,6 mil millones de personas permanecen fuera de línea, lo que dificulta su capacidad para participar en entornos de aprendizaje digital.3 Esta falta de conectividad afecta desproporcionadamente a los niños en hogares de bajos ingresos, exacerbando las desigualdades educativas. Cerrar la brecha digital es uno de los pasos más importantes para impulsar el crecimiento económico en todo el mundo. La investigación muestra que un aumento del 10% en la penetración de la banda ancha móvil podría aumentar el PIB en los países de bajos ingresos en un 2%.4 Empoderar a estudiantes y profesores A medida que avancen las nuevas herramientas habilitadas para la IA en la educación, es probable que la disparidad entre la habilitada digitalmente y la desventaja digital se amplíe. La IA está desempeñando un papel transformador en la educación al mejorar las experiencias de aprendizaje para los estudiantes y mejorar la eficiencia de los maestros, una de las profesiones más sobrecargadas, con recursos y críticas del mundo. La IA puede ayudar a impulsar el aprendizaje personalizado para que los estudiantes puedan avanzar más rápidamente aprovechando los recursos educativos adaptados a sus necesidades individuales. Plataformas como Khan Academy analizan los patrones de aprendizaje de los estudiantes’ y proporcionan contenido personalizado, ritmo y retroalimentación, mientras que los sistemas de aprendizaje adaptativo identifican brechas en la comprensión y adaptan las lecciones a las necesidades individuales. La integración de Geminiinis con Google Classroom y Microsoft Copilot y Microsoft Education Learning Accelerators ha facilitado que los profesores personalicen los materiales de aprendizaje y las experiencias para los estudiantes. Los tutores digitales inteligentes pueden ayudar a los estudiantes a lograr un mejor aprendizaje. Herramientas como Khanmigo utilizan la IA para proporcionar retroalimentación instantánea y orientación personalizada. Los tutores virtuales pueden explicar conceptos complejos en tiempo real, imitando una experiencia de enseñanza individual. Y las plataformas utilizan la IA para generar preguntas de práctica, cuestionarios y guías de estudio para ayudar a facilitar la preparación de exámenes para los estudiantes. Los maestros pueden ser un gran beneficiario de las herramientas de enseñanza de IA. Esta es una buena noticia ya que el mundo necesita 44 millones de maestros de primaria y secundaria más para 2030.5 Las herramientas de IA pueden calificar de manera eficiente las pruebas de opción múltiple, las tareas de codificación e incluso los ensayos escritos, ahorrando a los maestros un tiempo valioso. Y los chatbots de IA pueden responder consultas rutinarias de los estudiantes, administrar la programación y ayudar con el registro del curso. Todos estos beneficios pueden dar a los maestros más oportunidades de enfocarse en lo que más valoran — interactuando directamente con los estudiantes. Las nuevas soluciones digitales también pueden ayudar a los maestros a desempeñarse mejor en el aula. Las herramientas de IA pueden ofrecer recursos de entrenamiento personalizados y recomendar estrategias para mejorar los métodos de enseñanza basados en la dinámica del aula. Y las plataformas impulsadas por IA pueden analizar el comportamiento de los estudiantes, las tendencias de participación y el progreso del aprendizaje para ayudar a los maestros a identificar a los estudiantes que pueden necesitar apoyo adicional, por lo que ningún niño se queda atrás. Pero ninguna de estas nuevas herramientas educativas y sus beneficios se pueden realizar sin un acceso constante a Internet y dispositivos. Lenovo está

Leer más »
abril 20, 2025

Capacitación de LLM para autodesintoxicar su idioma

Un nuevo método del MIT-IBM Watson AI Lab ayuda a los modelos de lenguaje grande a dirigir sus propias respuestas hacia resultados más seguros, más éticos y alineados con el valor. A medida que maduramos desde la infancia, nuestro vocabulario — y las formas en que lo usamos — crecen, y nuestras experiencias se vuelven más ricas, lo que nos permite pensar, razonar e interactuar con otros con especificidad e intención. En consecuencia, nuestras elecciones de palabras evolucionan para alinearse con nuestros valores personales, ética, normas culturales y puntos de vista. Con el tiempo, la mayoría de nosotros desarrollamos una guía interna “que nos permite aprender el contexto detrás de la conversación; también con frecuencia nos aleja de compartir información y sentimientos que son, o podrían ser, dañinos o inapropiados. Resulta que los modelos de idiomas grandes (LLM) — que están entrenados en conjuntos de datos públicos extensos y, por lo tanto, a menudo tienen sesgos y lenguaje tóxico horneado en — pueden obtener una capacidad similar para moderar su propio idioma. Un nuevo método del MIT, el MIT-IBM Watson AI Lab e IBM Research, llamado muestreo autorregresivo autodisciplinado (SASA), permite a los LLM desintoxicar sus propios resultados, sin sacrificar la fluidez.  A diferencia de otros métodos de desintoxicación, este algoritmo de decodificación aprende un límite entre los subespacios tóxicos/no tóxicos dentro de la propia representación interna de los LLMM, sin alterar los parámetros del modelo, la necesidad de reentrenamiento o un modelo de recompensa externo. Luego, durante la inferencia, el algoritmo evalúa el valor de toxicidad de la frase parcialmente generada: tokens (palabras) ya generados y aceptados, junto con cada nuevo token potencial que podría elegirse razonablemente para la proximidad al límite del clasificador. A continuación, selecciona una opción de palabra que coloca la frase en el espacio no tóxico, ofreciendo en última instancia una forma rápida y eficiente de generar un lenguaje menos tóxico. “Queríamos encontrar una manera con cualquier modelo de lenguaje existente [que], durante el proceso de generación, la decodificación puede estar sujeta a algunos valores humanos; el ejemplo aquí que estamos tomando es la toxicidad,” dice el autor principal de los estudios Ching-Yun “Irene” Ko PhD ’24 un ex pasante graduado con el MIT-IBM Watson AI Lab y un científico de investigación actual en IBM Thomas J. Centro de Investigación Watson en Nueva York. Los coautores de Koats incluyen a Luca Daniel, profesor en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT (EECS), miembro del MIT-IBM Watson AI Lab y asesor graduado de Koo; y varios miembros del MIT-IBM Watson AI Lab y/o IBM Research — Pin-Yu Chen, Payel Das, Youssef Mroueh, Soham Dan, Georgios Kollias, Subhajit Chaudhury y Tejaswini Pedapati. El trabajo se presentará en la Conferencia Internacional sobre Representaciones de Aprendizaje. Encontrar la “barandillas” Los recursos de capacitación detrás de los LLM casi siempre incluyen contenido recopilado de espacios públicos como Internet y otros conjuntos de datos fácilmente disponibles. Como tal, las palabras de maldición y el lenguaje intimidatorio/inpalable son un componente, aunque parte de ellas se encuentran en el contexto de las obras literarias. Luego se deduce que los LLM pueden producir innatamente — o ser engañados para generar — contenido peligroso y/o sesgado, que a menudo contiene palabras desagradables o lenguaje odioso, incluso a partir de indicaciones inocuas. Además, se ha encontrado que pueden aprender y amplificar el lenguaje que no es preferido o incluso perjudicial para muchas aplicaciones y tareas posteriores — que conducen a la necesidad de estrategias de mitigación o corrección. Hay muchas maneras de lograr una generación de lenguaje sólida que sea justa y alineada con el valor. Algunos métodos utilizan el reentrenamiento LLM con un conjunto de datos desinfectado, que es costoso, lleva tiempo y puede alterar el rendimiento de LLMm; otros emplean modelos de recompensa externos de decodificación, como el muestreo o la búsqueda de haces, que tardan más en ejecutarse y requieren más memoria. En el caso de SASA, Ko, Daniel y el equipo de IBM Research desarrollaron un método que aprovecha la naturaleza autorregresiva de los LLM, y utilizando una estrategia basada en la decodificación durante la inferencia de LLMm, dirige gradualmente la generación — token a la vez — lejos de salidas desagradables o no deseadas y hacia un mejor lenguaje. El grupo de investigación logró esto mediante la construcción de un clasificador lineal que opera en el subespacio aprendido de la incrustación de LLMams. Cuando se entrenan los LLM, las palabras con significados similares se colocan estrechamente juntas en el espacio vectorial y más lejos de palabras diferentes; los investigadores plantearon la hipótesis de que una incrustación de LLMM también capturaría información contextual, que podría usarse para la desintoxicación. Los investigadores utilizaron conjuntos de datos que contenían conjuntos de un mensaje (la primera mitad de una oración o pensamiento), una respuesta (la finalización de esa oración) y anotación atribuida a los humanos, como tóxico o no tóxico, preferido o no preferido, con etiquetas continuas de 0-1, que denotan una toxicidad creciente. Luego se aplicó un clasificador óptimo de Bayes para aprender y dibujar figurativamente una línea entre los subespacios binarios dentro de las incrustaciones de oracionesrepresentado por valores positivos (espacio no tóxico) y números negativos (espacio tóxico).  El sistema SASA funciona entonces volviendo a ponderar las probabilidades de muestreo del token potencial más nuevo en función del valor del mismo y la distancia de las frases generadas al clasificador, con el objetivo de permanecer cerca de la distribución de muestreo original. Para ilustrar, si un usuario está generando un token potencial #12 en una oración, el LLM revisará su vocabulario completo en busca de una palabra razonable, basada en las 11 palabras que vinieron antes, y usando top-k, top-p, filtrará y producirá aproximadamente 10 tokens para seleccionar. SASA luego evalúa cada uno de esos tokens en la oración parcialmente completada por su proximidad al clasificador (es decir, el valor de los tokens 1-11, más cada token potencial 12). Se alientan los tokens que producen oraciones en

Leer más »
abril 19, 2025

El curso Stanford GSE aborda la brecha entre la investigación edtech y la práctica del mundo real

Impartido por la Profesora Asistente Dora Demszky, Empoderar a los Educadores a través de la Tecnología del Lenguaje tiene como objetivo conectar a los creadores y maestros de edtech para crear mejores herramientas de aprendizaje. Una de las trampas más perniciosas y generalizadas de la investigación y el diseño de edtech es su baja tasa de adopción exitosa en las escuelas. Ya sea debido a una implementación inadecuada o deficiencias en las herramientas en sí, la brecha entre la investigación y la práctica puede ser grande, lo que lleva a los distritos a gastar fondos críticos en herramientas y sistemas edtech con bajos resultados de aprendizaje. Dora Demszky, profesora asistente en la Escuela de Graduados de Educación de Stanford (GSE), tiene como objetivo ayudar a abordar este problema a través de su curso Empoderar a los Educadores a través de la Tecnología del Lenguaje, que conecta a los creadores de edtech con los profesores para los que están diseñando. “Los modelos de idiomas grandes y las herramientas de IA se están volviendo más comunes en un contexto educativo, pero nadie está hablando realmente de todas las consideraciones necesarias para que estas tecnologías sean realmente útiles para los maestros, dice Demszky. “Hay mucha discusión sobre la IA en la educación, y esta clase es importantemente distinta de esos temas porque no estamos enfocados en tecnologías que se mueven alrededor del maestro, o ayudar a los maestros a navegar alrededor de los estudiantes’ uso de la IA, sino más bien en cómo podemos desarrollar herramientas que puedan apoyar a los educadores en mejorar su instrucción, y por lo tanto sus estudiantes’ aprendizaje,” dijo. Un enfoque centrado en el profesor para edtech La clase, ahora en su segundo año, tiene una combinación de 30 estudiantes de GSE y ciencias de la computación que abordan cuestiones de diseño, implementación y eficacia en edtech. A través de discusiones en clase, colaborando con educadores en ejercicio y creadores de edtech, y creando herramientas de IA propias, el objetivo final de students’ es mejorar la educación. “Cualquier mejora incremental requiere mucho trabajo reflexivo, y estamos en ese viaje en este momento,” dijo Mei Tan, MA ’23, y actual estudiante de doctorado en el GSE que estudia ciencia de datos de educación. También es asistente de enseñanza para el curso. “Esta es una clase de metodología tan única para que esté conectada con el impacto que estos métodos tendrán en el mundo, lo que sucede cuando se aplican a las restricciones del mundo real Como parte de la clase, a los estudiantes se les pide con frecuencia que creen herramientas a través de la lente de los maestros que las usarán. Buscan aportes y presentan sus diseños a los educadores. “Una de nuestras primeras tareas fue entrevistar a un maestro y yo estaba muy adelantado con todas las ideas que tenía sobre la introducción de la tecnología en la educación bilingüe. Pero después de escuchar sus comentarios, fue la primera vez que realmente consideré que los problemas que pensé que los educadores probablemente son los más prominentes con los que están lidiando,” dijo Joshua Delgadillo, un estudiante de tercer año en la clase que estudia informática, con un menor en educación. Antes de esta clase, mi tesis en torno a edtech era muy tecnológica primero y educación segunda, pero Iiandve ha estado expuesto a la importancia de poner la educación primero, si queremos que las cosas funcionen.”Josué DelgadilloJunior, Ciencias de la Computación “Una de mis conclusiones más importantes fue que algunas de las cosas en las que la IA es realmente buena, como crear una hoja de trabajo personalizada, son realmente cosas para las que un educador experimentado pensaría usar la tecnología, dijo Delgadillo. “Antes de esta clase, mi tesis sobre edtech fue muy tecnológica primero y la educación en segundo lugar, pero Iiandve estuvo expuesto a la importancia de poner la educación primero, si queremos que las cosas funcionen.” Diseñando el futuro de la educación, en colaboración Una faceta clave del curso es trabajar con los maestros para crear herramientas tecnológicas que los aumenten en lugar de automatizarlos. “Este tipo de colaboración es algo de lo que el campo ha hablado antes, pero no siempre está claro cómo abordar la creación de este diálogo con los maestros,” dijo Rebecca Li Hao, una estudiante de maestría en Diseño y Tecnología de Aprendizaje en el GSE. “Esta clase nos da una oportunidad concreta de tener eso de un lado a otro para que podamos aprender cómo aumentarlos mejor porque reemplazar a los maestros con tecnología no funciona, son demasiado importantes.” La estudiante de GSE Rebecca Li Hao presenta su proyecto a la clase. | Joleen Richards Para la mayor parte de los estudiantes’ cursos, tuvieron que diseñar una herramienta educativa que luego se presentaría a un panel de seis maestros. “Parece crítico tener maestros y creadores de edtech en la misma habitación – para personas que construyen herramientas para el uso de maestros y maestros que pueden necesitar usarlas más adelante,” dijo Eric Wilson, un maestro de ciencias de la computación de secundaria con sede en Brooklyn que se sentó en el panel. “Es genial ver que tenemos algunas de las personas más brillantes del mundo haciendo cosas para ayudar a facilitar la enseñanza.” Los proyectos incluyeron herramientas que simulaban las interacciones profesor-alumno, creaban gráficos a partir de datos y retroalimentación automatizada, entre otros usos. “Siento que obtuve una idea de lo que hay ahí fuera y que esta clase me está dando una mirada a qué herramientas podrían usar mis futuras clases,” dijo Viridiana Word, una panelista de San Diego que ha estado enseñando durante 17 años. “Es maravilloso ver tanta energía y ver cómo van a contribuir al campo.” Agregó, “puedo ofrecer mi sabiduría y experiencia, y de los estudiantes puedo obtener nuevas ideas y una pista sobre el futuro por venir.” La clase culminó en una publicación de blog coescrito por Demszky, Tan y los estudiantes que reflexionaron sobre lo que aprendieron sobre el diseño para maestros y las intersecciones

Leer más »
abril 18, 2025

Los modelos de IA del cerebro podrían servir como ‘gemelos digitales’ en investigación

En un nuevo estudio, los investigadores crearon un modelo de IA de la corteza visual del ratón que predice respuestas neuronales a imágenes visuales. Por mucho que un piloto pueda practicar maniobras en un simulador de vuelo, los científicos pronto podrán realizar experimentos en una simulación realista del cerebro del ratón. En un nuevo estudio, los investigadores y colaboradores de Stanford Medicine utilizaron un modelo de inteligencia artificial para construir una “” gemela digital de la parte del cerebro del ratón que procesa la información visual. El gemelo digital fue entrenado en grandes conjuntos de datos de actividad cerebral recolectados de la corteza visual de ratones reales mientras veían clips de películas. Luego podría predecir la respuesta de decenas de miles de neuronas a nuevos videos e imágenes. Los gemelos digitales podrían hacer que estudiar el funcionamiento interno del cerebro sea más fácil y eficiente. “Si construyes un modelo del cerebro y es muy preciso, eso significa que puedes hacer muchos más experimentos,” dijo Andreas Tolias, PhD, profesor de oftalmología de Stanford Medicine y autor principal del estudio publicado el 9 de abril en Nature. “Los más prometedores que puedes probar en el cerebro real.” El autor principal del estudio es Eric Wang, PhD, un estudiante de medicina en el Baylor College of Medicine. Más allá de la distribución de la formación A diferencia de los modelos anteriores de IA de la corteza visual, que podrían simular la respuesta de los cerebros solo al tipo de estímulos que vieron en los datos de entrenamiento, el nuevo modelo puede predecir la respuesta de los cerebros a una amplia gama de nuevas entradas visuales. Incluso puede suponer características anatómicas de cada neurona. Eventualmente, creo que será posible construir gemelos digitales de al menos partes del cerebro humano.” El nuevo modelo es un ejemplo de un modelo de base, una clase relativamente nueva de modelos de IA capaces de aprender de grandes conjuntos de datos, luego aplicar ese conocimiento a nuevas tareas y nuevos tipos de datos – o lo que los investigadores llaman “generalizando fuera de la distribución de entrenamiento (ChatGPT es un ejemplo familiar de un modelo de base que puede aprender de grandes cantidades de texto para luego entender y generar nuevo texto) “En muchos sentidos, la semilla de la inteligencia es la capacidad de generalizar de manera sólida,” dijo Tolias. “El objetivo final – el santo grial – es generalizar a escenarios fuera de su distribución de entrenamiento.” Películas de ratón Para entrenar el nuevo modelo de IA, los investigadores primero registraron la actividad cerebral de ratones reales mientras veían películas – películas hechas para personas. Las películas idealmente se aproximarían a lo que los ratones podrían ver en entornos naturales. “Es muy difícil probar una película realista para ratones, porque nadie hace películas de Hollywood para ratones,” dijo Tolias. Pero las películas de acción se acercaron lo suficiente. Los ratones tienen visión de baja resolución – similar a nuestra visión periférica –, lo que significa que principalmente ven movimiento en lugar de detalles o color. “A los ratones les gusta el movimiento, que activa fuertemente su sistema visual, por lo que les mostramos películas que tienen mucha acción,” dijo Tolias. Durante muchas sesiones de visualización cortas, los investigadores registraron más de 900 minutos de actividad cerebral de ocho ratones viendo clips de películas llenas de acción, como Mad Max. Las cámaras monitorearon sus movimientos y comportamiento oculares. Los investigadores utilizaron los datos agregados para entrenar un modelo central, que luego podría personalizarse en un gemelo digital de cualquier ratón individual con un poco de capacitación adicional. Predicciones precisas Estos gemelos digitales pudieron simular de cerca la actividad neuronal de sus contrapartes biológicas en respuesta a una variedad de nuevos estímulos visuales, incluidos videos e imágenes estáticas. La gran cantidad de datos agregados de entrenamiento fue clave para el éxito de los gemelos digitales’, dijo Tolias. “Fueron impresionantemente precisos porque fueron entrenados en conjuntos de datos tan grandes.” Aunque entrenados solo en actividad neuronal, los nuevos modelos podrían generalizarse a otros tipos de datos. El gemelo digital de un ratón en particular fue capaz de predecir las ubicaciones anatómicas y el tipo de célula de miles de neuronas en la corteza visual, así como las conexiones entre estas neuronas. Los investigadores verificaron estas predicciones contra las imágenes de microscopio electrónico de alta resolución de la corteza visual de ese ratón, que era parte de un proyecto más grande para mapear la estructura y función de la corteza visual del ratón con un detalle sin precedentes. Los resultados de ese proyecto, conocido como MICRONES, fue publicado simultáneamente en Naturaleza. Abriendo la caja negra Debido a que un gemelo digital puede funcionar mucho más allá de la vida útil de un ratón, los científicos podrían realizar un número virtualmente ilimitado de experimentos en esencialmente el mismo animal. Los experimentos que tomarían años podrían completarse en horas, y millones de experimentos podrían ejecutarse simultáneamente, acelerando la investigación sobre cómo el cerebro procesa la información y los principios de la inteligencia. “Weisre está tratando de abrir la caja negra, por así decirlo, para comprender el cerebro a nivel de neuronas individuales o poblaciones de neuronas y cómo trabajan juntas para codificar información, ” Tolias dijo. De hecho, los nuevos modelos ya están produciendo nuevas ideas. En otro relacionado estudio, también publicado simultáneamente en Naturalezalos investigadores utilizaron un gemelo digital para descubrir cómo las neuronas en la corteza visual eligen otras neuronas con las que formar conexiones. Los científicos sabían que las neuronas similares tienden a formar conexiones, como las personas que forman amistades. El gemelo digital reveló qué similitudes importaban más. Las neuronas prefieren conectarse con neuronas que responden al mismo estímulo – el color azul, por ejemplo – sobre neuronas que responden a la misma área del espacio visual. “Es como alguien que selecciona amigos en función de lo que les gusta y no de dónde están,” dijo Tolias. “Aprendimos esta regla más precisa de cómo se organiza el cerebro.” Los investigadores planean extender su modelado a

Leer más »
abril 16, 2025

La robótica se encuentra con las artes culinarias

Un equipo suizo italiano ha creado RoboCake, un pastel de bodas robótico comestible que ilustra los avances en la investigación de alimentos robóticos. Aunque la idea de crear robots que se puedan comer o alimentos que se comporten como robots pueda parecer extraña, supone un verdadero reto para la comunidad científica. En el marco del proyecto RoboFood, financiado por la UE, investigadores de la EPFL y del Istituto Italiano di Tecnologia (IIT) han colaborado con pasteleros y científicos de alimentos del EHL de Lausana para combinar la robótica y la gastronomía. Su proyecto, RoboCake, se presentará en la Expo 2025 de Osaka. “La robótica y la alimentación son dos mundos distintos”, afirma Dario Floreano, director del Laboratorio de Sistemas Inteligentes (LIS) de la EPFL y coordinador del proyecto RoboFood. “Sin embargo, su fusión ofrece numerosas ventajas, especialmente en cuanto a la limitación de los residuos electrónicos y alimentarios”. Los científicos están considerando otras aplicaciones en los campos de la nutrición y la salud en situaciones de emergencia. “Los robots comestibles podrían utilizarse para entregar alimentos a zonas en peligro, administrar medicamentos de forma innovadora a personas con dificultades para tragar o a animales, o incluso para monitorizar los alimentos y su frescura mediante sensores que se pueden comer”. Ilustrando la investigación robótica sobre alimentos La creación de robots comestibles también ofrece experiencias culinarias completamente nuevas. El RoboCake, un pastel de bodas robótico, es una innovadora demostración del progreso del proyecto RoboFood, cuyo objetivo es desarrollar una nueva generación de robots comestibles y alimentos inteligentes. El RoboCake presenta dos osos de peluche robóticos completamente comestibles, creados por el LIS de la EPFL. «Están hechos de gelatina, jarabe y colorantes», explica Bokeon Kwak, investigador del LIS. «Se animan mediante un sistema neumático interno: al inyectar aire a través de conductos específicos, sus cabezas y brazos se mueven». Estos ositos bailarines, con un sabor a gomitas de granada suaves y dulces, no son la única característica especial del pastel. Investigadores del IIT, coordinados por Mario Caironi, han desarrollado la primera batería recargable comestible, hecha de vitamina B2, quercetina, carbón activado y chocolate, para darle un toque gourmet. «Estas baterías, aptas para el consumo, pueden usarse para encender las velas LED del pastel», explica Valerio Galli, estudiante de doctorado del IIT. «El primer sabor que se percibe al comerlas es a chocolate negro, seguido de un sorprendente toque ácido, debido al electrolito comestible que contienen, que dura unos segundos». Estas baterías representan una posible solución para reducir los residuos electrónicos, que alcanzan los 40 millones de toneladas al año. La guinda del pastel Para garantizar que estas innovaciones fueran apetitosas y seguras de comer, los ingenieros colaboraron con expertos en alimentación y pasteleros de la EHL. «Nuestro reto era encontrar la mejor manera de presentar las innovaciones de nuestros dos socios, la EPFL y el IIT, añadiendo lo que mejor sabemos hacer: el placer. Así nació el RoboCake, un auténtico pastel de eventos, que cumple con el reto de combinar técnica, electrónica y sabor», afirma Julien Boutonnet, profesor titular de Artes Prácticas de la EHL y galardonado con la máxima distinción de Francia, el premio al Mejor Obrero de Francia (MOF) en pastelería y confitería. “Esta colaboración interdisciplinaria abre el camino a experiencias gastronómicas interactivas y deliciosas que nos recuerdan que la comida es un recurso preciado y posiblemente reducen el consumo excesivo de alimentos”, afirma Dario Floreano. Acerca del proyecto RoboFood.RoboFood es un proyecto de investigación de cuatro años con un presupuesto de 3,5 millones de euros, financiado por la Unión Europea. Iniciado en 2021, reúne a científicos de la EPFL, el IIT, la Universidad de Bristol y la Universidad de Wageningen. El proyecto RoboFood combina la ciencia de los alimentos y la robótica de una forma radicalmente innovadora para crear robots comestibles y alimentos robotizados para la conservación de alimentos, la nutrición de emergencia, la medicina humana y veterinaria o nuevas experiencias culinarias. Fondos El proyecto RoboFood ha recibido financiación del programa de Investigación e Innovación Horizonte 2020 de la Unión Europea en virtud del acuerdo de subvención 964596. EPFL News. J. H. Traducido al español

Leer más »
abril 15, 2025

¿Qué es la Inteligencia Artificial?

La IA generativa utiliza nuevos enfoques como transformadores y modelos de difusión para producir texto, imágenes y código similares a los humanos. Los humanos han soñado con construir máquinas inteligentes desde al menos la época de los antiguos griegos, pero no fue hasta la llegada de las computadoras digitales que la IA se hizo posible. John McCarthy, profesor del Dartmouth College, acuñó el término «inteligencia artificial» en 1955, y a pesar de los periodos fluctuantes de progreso y estancamiento, la IA se ha integrado progresivamente en la vida cotidiana. Hoy en día, la IA está en todas partes, desde sistemas de recomendación basados ​​en aprendizaje automático (Amazon, Netflix), asistentes digitales (Siri, Alexa) y millones de aspiradoras robot. ¿Qué es la IA y de dónde surgió?  En esencia, la IA utiliza las computadoras para discernir patrones y predecir resultados a partir de conjuntos de datos, grandes o pequeños, ya sean tendencias climáticas, patrones de compra personales o montones de imágenes. Un modelo de IA es un sistema que puede aprender de los datos y tomar decisiones o predicciones sin estar programado explícitamente para ello. La aceleración del campo se debe en gran medida a la Ley de Moore y a la rápida innovación tecnológica, pero varios cambios estructurales han sido fundamentales: Big Data: una explosión de generación de datos, incluida la información pública disponible en Internet, ha potenciado el entrenamiento de la IA. Procesamiento paralelo: la IA ha adoptado técnicas de supercomputación y computación en la nube, lo que permite el uso simultáneo de miles de procesadores. Aceleradores de hardware:El hardware especializado aumenta drásticamente la velocidad de ciertos tipos de computación, como la multiplicación de matrices. Los aceleradores abarcan desde dispositivos dedicados hasta piezas de silicio dedicadas y bloques de propiedad intelectual integrados en un microprocesador. Computación de precisión baja o mixta:la IA se ha beneficiado al representar números con menos bits, mejorando la velocidad sin comprometer la precisión. Paralelamente a estos cambios tecnológicos se produjeron avances en un componente central que había sido parte de la IA desde el principio: las redes neuronales. Las redes neuronales, un tipo de modelo matemático inspirado en el cerebro humano, toman una entrada (es decir, imágenes de automóviles), la pasan a través de neuronas o nodos dentro de capas ocultas de la red para producir una salida (un modelo de un «automóvil»). Cómo se construye la IA El primer paso importante para construir un modelo de IA se llama entrenamiento , que puede requerir una inmensa velocidad y escala computacional (o mucha paciencia). Al recorrer la red neuronal hacia adelante y hacia atrás en un bucle de retroalimentación rápido y ajustarla a los aspectos conocidos del conjunto de datos, el modelo de IA aprende variables internas, también conocidas como parámetros , que se ajustan durante el entrenamiento para ayudar al modelo a realizar predicciones precisas. El comportamiento de la red depende de la fuerza (o peso ) de las conexiones entre neuronas. El siguiente paso es el ajuste , donde el modelo de IA previamente entrenado se ajusta para incorporar nueva información o adaptarse mejor a un conjunto de datos o una tarea específicos. Una vez que se entrena un modelo, se puede aplicar una y otra vez para realizar inferencias, que utilizan el modelo para tomar nuevas entradas y generar nuevos resultados relevantes. De la IA que toma decisiones a la IA que crea cosas El aprendizaje profundo potenció las redes neuronales al incorporar múltiples capas que mejoran la precisión y la eficiencia del entrenamiento. Las redes neuronales y el aprendizaje profundo son la base de muchas de las herramientas más populares y potentes de la IA. (No son las únicas: los grafos de conocimiento, el aprendizaje por refuerzo y la IA neurosimbólica son otros enfoques que están teniendo un impacto). Los avances tecnológicos más recientes dieron lugar a la IA generativa (GenAI), donde las máquinas pueden crear respuestas similares a las humanas y contenido visual original, algo así como tener un asistente superinteligente y creativo que responde a tus preguntas y mejora sus creaciones. La GenAI actual se presenta en diferentes variantes, cada una posible gracias a varias innovaciones clave. Los transformadores son un tipo de arquitectura de red neuronal introducida por Google en 2017. Se entrenan con grandes volúmenes de texto y no requieren supervisión humana, ya que procesan oraciones completas simultáneamente, lo que mejora la comprensión de las palabras en contexto al prestar atención a las más relevantes. Ejemplos: GPT (Transformador Generativo Preentrenado), BERT (Representaciones de Codificador Bidireccional a partir de Transformadores). Los transformadores, y los grandes modelos lingüísticos (LLM) que han permitido, revolucionaron la traducción de idiomas, los chatbots y la creación de contenido. Incluso han demostrado capacidades emergentes en la generación de texto, la codificación y la predicción meteorológica. Ejemplos: GPT-3, GPT-4. Para la generación de imágenes, los modelos de difusión , conceptualizados en Stanford en 2015 e inspirados en los procesos de difusión de la física, han demostrado avances y capacidades increíbles. Ejemplos: DALL-E 2, Difusión estable. Los modelos multimodales , capaces de interpretar diversos tipos de datos, han mejorado la comprensión y versatilidad de la IA. Ejemplos: CLIP (Preentrenamiento Contrastivo de Lenguaje e Imagen), DALL-E. Aún estamos en las primeras etapas de la IA. El potencial de este campo para transformar casi todos los aspectos de la vida impulsa una gran inversión en capacidad informática e investigación y desarrollo; al mismo tiempo, genera entusiasmo y preocupación a nivel mundial. Resumen Intel News. Traducido al español

Leer más »
abril 14, 2025

Semana Nacional de Robótica — Última Investigación, Avances y Recursos de IA Física

Todas las noticias de este año celebran a los innovadores, investigadores y desarrolladores que avanzan en la robótica e inspiran a la próxima generación de líderes de la industria. En esta Semana Nacional de la Robótica, NVIDIA destacó las tecnologías pioneras que están dando forma al futuro de las máquinas inteligentes e impulsando el progreso en la fabricación, la atención médica, la logística y más. Los avances en simulación robótica y aprendizaje robótico están impulsando este cambio fundamental en la industria. Además, la aparición de modelos de base mundial está acelerando la evolución de robots con IA, capaces de adaptarse a escenarios dinámicos y complejos. Por ejemplo, al proporcionar modelos básicos de robots como NVIDIA GR00T N1 , marcos como NVIDIA Isaac Sim e Isaac Lab para simulación y entrenamiento de robots, y canales de generación de datos sintéticos para ayudar a entrenar robots para diversas tareas, las plataformas NVIDIA Isaac y GR00T están empoderando a los investigadores y desarrolladores para superar los límites de la robótica. Continúe leyendo para conocer lo último sobre la IA física , que permite a las máquinas percibir, planificar y actuar con mayor autonomía e inteligencia en entornos del mundo real. Lo último sobre IA física y robótica, tal como se reveló en NVIDIA GTC 🔗 Mire las sesiones a pedido de la conferencia global de inteligencia artificial NVIDIA GTC para ponerse al día con los últimos avances en robótica, presentados por los principales expertos en el campo. En su discurso inaugural, Jensen Huang, fundador y CEO de NVIDIA, anunció NVIDIA Isaac GR00T N1 , el primer modelo básico abierto y totalmente personalizable del mundo para el razonamiento y las habilidades generalizadas de los robots humanoides. También presentó Newton , un motor de física extensible y de código abierto desarrollado por NVIDIA, Google DeepMind y Disney Research para impulsar el aprendizaje y el desarrollo de robots. Los desarrolladores, investigadores y entusiastas pueden explorar lo siguiente para obtener más información: Iníciate en robótica con cursos gratuitos y datos de código abierto 🔗 Quienes deseen profundizar en el desarrollo robótico pueden comenzar con la Ruta de Aprendizaje de Fundamentos de Robótica gratuita de NVIDIA . Esta serie de cursos a su propio ritmo del Instituto de Aprendizaje Profundo (DLI) de NVIDIA abarca conceptos básicos de robótica y flujos de trabajo esenciales en simulación y aprendizaje robótico. Cada curso ofrece capacitación práctica en la plataforma NVIDIA Isaac, incluyendo Isaac ROS , Isaac Sim e Isaac Lab . Este año, en GTC, NVIDIA organizó talleres de capacitación presenciales para desarrolladores de robótica, que ahora están disponibles en línea. Estos incluyen: Estos cursos estarán disponibles próximamente: NVIDIA también lanzó un conjunto de datos físicos de IA de código abierto y gratuito que incluye datos de calidad comercial y prevalidados para ayudar a investigadores y desarrolladores a impulsar sus proyectos. El conjunto de datos inicial ofrece 15 terabytes de datos que representan más de 320 000 trayectorias para entrenamiento robótico y 1000 recursos de Descripción Universal de Escenas (OpenUSD), incluidos los que están listos para SimReady. Acceda al conjunto de datos de IA física de NVIDIA sobre Hugging Face . Scaled Foundations agiliza la transición de la simulación a la aplicación en el mundo real 🔗 Los robots tienen el potencial de automatizar y escalar tareas complejas y repetitivas. Sin embargo, programarlos para que realicen estas tareas de forma segura ha sido tradicionalmente un reto, costoso y especializado. Scaled Foundations , miembro del programa NVIDIA Inception para startups innovadoras, está reduciendo las barreras de entrada con su plataforma GRID. Al integrar NVIDIA Isaac Sim en GRID , Scaled Foundations ofrece a los usuarios la oportunidad de acelerar el desarrollo y la implementación de soluciones avanzadas de IA robótica para nuevos tipos de robots. Desarrolladores y estudiantes pueden acceder a herramientas de vanguardia para desarrollar, simular e implementar sistemas de IA robótica, todo desde un navegador. Acceda, cree y administre inteligencia robótica integrada directamente desde su navegador. Obtenga más información sobre cómo implementar soluciones utilizando la plataforma GRID de Scaled Foundations mirando la sesión de NVIDIA GTC, “ Introducción a la simulación de robots: aprenda a desarrollar, simular e implementar inteligencia de robots escalable ”. Enfoque en Wheeled Lab: Avanzando en la robótica de simulación a realidad con NVIDIA Isaac Lab 🔗 Wheeled Lab , un proyecto de investigación de la Universidad de Washington, está llevando la robótica de simulación a la realidad a plataformas de código abierto y de bajo costo. Wheeled Lab, integrado con NVIDIA Isaac Lab —un marco unificado para el aprendizaje robótico— , permite que los modelos de aprendizaje por refuerzo entrenen robots con ruedas en tareas complejas como la deriva controlada, la evasión de obstáculos, el desplazamiento en elevación y la navegación visual. Este proceso utiliza aleatorización de dominios, simulación de sensores y aprendizaje integral para acortar la distancia entre el entrenamiento simulado y la implementación en el mundo real, garantizando al mismo tiempo una transferencia de la simulación a la realidad sin interrupciones. Izquierda: Política de deriva. Derecha: Entrenamiento en simulación de Isaac Lab.  Toda la pila (que abarca la simulación, el entrenamiento y la implementación) es completamente de código abierto, lo que brinda a los desarrolladores la libertad de iterar, modificar políticas y experimentar con técnicas de aprendizaje de refuerzo en un entorno reproducible. Izquierda: Política de deriva. Derecha: Entrenamiento en simulación de Isaac Lab.  Comience con el código en GitHub . Enseñar a los robots a pensar: los avances en IA de Nicklas Hansen ¿Qué se necesita para enseñar a los robots la toma de decisiones complejas en el mundo real? Para Nicklas Hansen , doctorando en la UC San Diego e investigador de posgrado de NVIDIA, la respuesta reside en algoritmos de aprendizaje automático escalables y robustos. Con experiencia en la Universidad de California, Berkeley, Meta AI (FAIR) y la Universidad Técnica de Dinamarca, Hansen está revolucionando la percepción, planificación y actuación de los robots en entornos dinámicos. Su investigación se sitúa en la intersección de la robótica, el aprendizaje por refuerzo y la visión artificial, conectando la simulación con la práctica. El trabajo reciente de Hansen aborda uno de los desafíos más complejos de la robótica: la manipulación a largo plazo. Su artículo, » Manipulación Multietapa con Demostración-Recompensa Aumentada, Política y Aprendizaje de Modelos Mundiales» , presenta un marco que mejora la eficiencia de los datos en entornos con escasa recompensa

Leer más »
abril 13, 2025

Ayúdanos a Mantenerte en el Asiento de Conductores de IA

Cisco Learning & Certifications tiene la misión de proporcionarle aprendizaje de IA que marca todas sus casillas para significativo, interesante, y  relevante  aprendizaje. Queremos ayudarlo a adoptar las capacidades de la IA para mejorar su trabajo, sin importar su rol, y usar la IA como un recurso para ayudarlo tú hazte más efectivo—now y en el futuro. Todo se trata de potencial. Pero necesitamos la imagen más completa que podamos obtener sobre cómo está utilizando la IA personalmente y en el trabajo, sus percepciones e inquietudes y su impacto en la infraestructura. No tengas miedo de compartir lo bueno, lo malo y lo feo. Nuestra encuesta debe tomar alrededor de 10-15 minutos. Si no tienes tanto tiempo, cualquier respuesta es muy apreciada. ¡Weizll usar cualquier comentario que recibamos, lo juro pinky! Cuanto más sepamos, más podremos ayudar. Y para darle más tiempo para completar la encuesta, weiwre apunta a el blog más corto de la historia de Cisco. ¡Muchas gracias por tu tiempo y comentarios! Iniciar encuesta AI está aquí para quedarse. ¡Permítanos estar listos juntos! CISCO Blog. M. S. Traducido al español

Leer más »
abril 12, 2025

Lo que los CIO necesitan saber sobre el uso de agentes de IA para la transformación empresarial

Como CIO, conoce bien el entusiasmo que rodea a la IA y su potencial para transformar su negocio. La rápida evolución hacia la IA genérica y la IA agéntica significa que es hora de analizar con más detalle la increíble oportunidad de generar valor empresarial real con esta tecnología. La IA tiene el potencial de transformar todos los aspectos de una empresa , desde la experiencia del cliente hasta las operaciones . En IBM, creemos firmemente que el futuro del trabajo no se trata de humanos contra máquinas; se trata de que humanos y máquinas trabajen juntos para lograr mejores resultados. Tomo prestada la frase de otro líder: «La IA es como Tony Stark con el traje de Iron Man puesto». Mi equipo podría decir que soy un optimista cínico, pero no se equivoquen: soy un gran optimista en cuanto al uso de agentes y asistentes de IA para impulsar la transformación empresarial. Mi lado optimista cree firmemente en la productividad empresarial con IA . Además, creo que solo podemos alcanzar nuestro potencial con un enfoque abierto. Considero que estas herramientas son esenciales para automatizar tareas rutinarias, proporcionar información en tiempo real, aumentar la eficacia del equipo y mejorar la experiencia del cliente. Sí, existe una brecha muy real entre este potencial optimista y las exigencias técnicas para materializarlo. Como CIO, es una brecha que manejo a diario. El problema es que, en su afán por usar el nuevo juguete (léase: IA), muchos CIO y líderes tecnológicos simplemente añaden chatbots o copilotos al software existente sin tener una estrategia clara ni la capacidad de integrar la IA a un nivel más profundo de plataforma. Para aprovechar el valor de la IA para la productividad empresarial, la empresa necesita tomarse un momento de introspección sobre cómo opera y la mentalidad que impulsa esas operaciones. Qué significa convertirse en una empresa que prioriza la IA Empecemos por lo básico: la IA no se trata solo de automatizar tareas, se trata de aumentar las capacidades humanas para tomar mejores decisiones, trabajar de manera más eficiente y centrarse en proyectos de mayor valor. La transformación impulsada por la IA requiere un cambio cultural dentro de la organización. Desde la dirección hasta el empleado más nuevo, una cultura empresarial debe estar dispuesta a experimentar, aprender de los fracasos y adaptarse rápidamente a nuevas formas de trabajo. Convertirse en una empresa que prioriza la IA de la generación anterior significa priorizar la IA en su estrategia comercial y aprovechar sus capacidades para impulsar la transformación en toda la organización. No significa usar la IA siempre, en todo momento, solo por decirlo. Es estratégico, tiene un propósito y, sí, es totalmente factible. Las últimas noticias e información sobre IA 
 Descubra información y noticias cuidadosamente seleccionadas sobre IA, la nube y más en el boletín semanal Think.  Suscríbete hoy Introducción a los agentes de IA para la productividad Como CIO, usted se encuentra en una posición privilegiada para aprovechar el increíble potencial de los agentes de IA y transformar su negocio. El camino para aprovechar al máximo la IA comienza integrándola sin problemas en su infraestructura existente. Estos son algunos pasos clave para empezar: Integración de la IA con los sistemas existentes En esencia, un agente de IA es una herramienta. Sin duda, con gran poder y potencial, pero que, aun así, requiere un uso correcto para alcanzar su máximo potencial. Piensa en tus sistemas heredados como si fueran un coche de carreras clásico. Aunque se crearon en una época de tecnología anticuada, el potencial está ahí. Solo necesitas algunas modernizaciones para garantizar que la tecnología más avanzada se integre. Hazlo y volverás a competir, con más fuerza que antes. Hemos visto de primera mano cómo es intentar usar agentes de IA antes de abordar integraciones críticas de la plataforma e inconsistencias en el formato de los datos. Los sistemas obsoletos y aislados pueden obstaculizar la adopción de la IA. Entonces, ¿qué puedes hacer? Para mi equipo, incluimos la optimización de la infraestructura y los entornos de aplicaciones, así como el rediseño integral de nuestros procesos de negocio. Invertimos en arquitecturas API-first, soluciones de socios estratégicos de plataforma y herramientas de automatización de IBM para optimizar la interoperabilidad entre sistemas heredados y modernos. Garantizar que los datos sean de alta calidad, imparciales y confiables Además de las soluciones de interoperabilidad, priorizamos garantizar datos de alta calidad que sean explicables, transparentes y confiables. IBM destaca en este aspecto, así que, como cliente cero , confío en los datos que utilizamos para entrenar nuestros modelos y guiar a nuestros agentes de IA. Preparar sus datos para la IA requiere una mentalidad centrada en la IA que incluya responsabilidad, transparencia, explicabilidad y equidad, todo ello establecido mediante políticas y directrices de gobernanza claras. Esto significa: En mi opinión, las prácticas responsables de IA son un componente esencial de la estrategia de IA. Las empresas que integran estas prácticas en sus soluciones, como IBM, estarán mejor posicionadas para responder a los desafíos que las soluciones de IA puedan presentar en el futuro.Grupo de expertos | 27 de diciembre de 2024 Avances en modelos, agentes, hardware y productos de IA Sintonice este episodio mientras revisamos modelos de IA, agentes, hardware y lanzamientos de productos con algunos de los principales expertos de la industria.Mira el episodio completo  Unidos en torno a una cultura que prioriza la IA ¿Has oído alguna vez la frase de Peter Drucker: «La cultura se come a la estrategia en el desayuno»? Pues estoy de acuerdo. Implementar agentes de IA en nuestras prácticas empresariales es una lección fundamental sobre el poder de la cultura, para bien o para mal. La mayoría de las personas se resisten al cambio porque creen que tendrá un impacto negativo. La resistencia a la IA no es la excepción, y puede dificultar su adopción y la obtención de valor. ¿Recuerdan mis comentarios anteriores sobre convertirnos en una empresa que prioriza la IA? Se trata de una transformación cultural, tanto como digital. Y yo, siempre optimista, creo que las culturas pueden cambiar para

Leer más »
abril 12, 2025

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