Categoría: Robótica y Automatización

Avanzando en el trabajo en equipo con personas e IA

Dos nuevos artículos muestran cómo nuestros esfuerzos de trabajo en equipo externo y automatizado están avanzando para ayudar a ofrecer una IA segura y beneficiosa Interactuar con un sistema de IA es una forma esencial de aprender lo que puede hacer, tanto las capacidades que tiene como los riesgos que puede plantear. El “trabajo en equipo” implica utilizar personas o IA para explorar los riesgos potenciales de un nuevo sistema de manera estructurada. OpenAI ha aplicado el método de trabajo en equipo durante varios años, incluso cuando contratamos a expertos externos .(se abre en una nueva ventana)para probar nuestro modelo de generación de imágenes DALL·E 2 a principios de 2022. Nuestros primeros esfuerzos de trabajo en equipo fueron principalmente «manuales» en el sentido de que dependíamos de personas para realizar las pruebas. Desde entonces, hemos seguido utilizando y perfeccionando nuestros métodos y, en julio pasado, nos unimos a otros laboratorios líderes en un compromiso de invertir más en el trabajo en equipo y avanzar en esta área de investigación. Los métodos de trabajo en equipo incluyen enfoques manuales, automatizados y mixtos, y nosotros utilizamos los tres. Contratamos a expertos externos tanto en métodos manuales como automatizados para probar los posibles riesgos de los nuevos sistemas. Al mismo tiempo, somos optimistas de que podemos utilizar una IA más potente para escalar el descubrimiento de errores en los modelos, tanto para evaluarlos como para entrenarlos para que sean más seguros. Hoy compartimos dos artículos 1 sobre el trabajo en equipo: un informe técnico que detalla cómo contratamos a miembros externos del equipo para probar nuestros modelos de vanguardia y un estudio de investigación que presenta un nuevo método para el trabajo en equipo automatizado. Esperamos que estos esfuerzos contribuyan al desarrollo de métodos de trabajo en equipo más sólidos y una IA más segura. Ejemplo de resultados del trabajo en equipo en rojo El trabajo en equipo rojo analiza un modelo o sistema de IA para identificar posibles problemas, ejemplos de esos problemas o ataques para provocar esos problemas. Si bien los humanos pueden ayudar a identificar una diversidad de ejemplos, problemas y ataques, el trabajo en equipo rojo automatizado puede complementar esto al ayudar a generar ideas y ejemplos y ataques a mayor escala. Los problemas, ejemplos y ataques mencionados anteriormente son ilustrativos y no necesariamente reflejan las políticas de uso o contenido de OpenAI. El valor del trabajo en equipo A medida que los sistemas de IA evolucionan a un ritmo rápido, es esencial comprender las experiencias de los usuarios y los riesgos potenciales de las capacidades aumentadas, incluidos el abuso, el uso indebido y factores del mundo real como los matices culturales. Si bien ningún proceso puede capturar todos estos elementos por sí solo, el trabajo en equipo (especialmente con el aporte de una variedad de expertos externos independientes) ofrece una forma proactiva de evaluar los riesgos y probar la seguridad de nuestros modelos de IA. Este enfoque ayuda a crear evaluaciones de seguridad y puntos de referencia actualizados que se pueden reutilizar y mejorar con el tiempo. Trabajo en equipo humano externo Los aspectos clave de nuestras campañas de equipos rojos externos incluyen definir el alcance de las pruebas, seleccionar a los miembros del equipo rojo, decidir a qué modelos accederán y determinar el formato de sus informes finales. En un nuevo informe técnico, el enfoque de OpenAI para el trabajo en equipo externo para modelos y sistemas de IA(se abre en una nueva ventana)Detallamos nuestro enfoque para diseñar campañas efectivas de red teaming 2 : 1. Elegir la composición del grupo de trabajo en equipo rojo en función de los objetivos y las áreas de prueba clave Los sistemas de IA diseñados para una variedad de casos de uso requieren pruebas exhaustivas en múltiples áreas, en las que participen personas con perspectivas diversas (por ejemplo, experiencia en campos como las ciencias naturales y la ciberseguridad, conocimiento político regional o idiomas hablados). El modelado de amenazas se lleva a cabo antes de los ejercicios de trabajo en equipo rojo para priorizar las áreas de prueba, teniendo en cuenta factores como las capacidades esperadas del modelo, los problemas observados previamente con los modelos y las posibles aplicaciones. Los equipos internos establecen prioridades de prueba iniciales en función de su conocimiento de las capacidades del modelo, mientras que los equipos rojos externos se incorporan más tarde para refinar o ampliar el enfoque. Estas prioridades luego guían la formación de los equipos rojos, asegurando que satisfagan las necesidades de prueba específicas del modelo. 2. Decidir las versiones del modelo o del sistema a las que los miembros del equipo rojo tienen acceso La versión del modelo disponible para los miembros del equipo rojo puede afectar los resultados del trabajo en equipo rojo y debe estar alineada con los objetivos de la campaña. Por ejemplo, probar un modelo en una etapa temprana del desarrollo sin mitigaciones de seguridad implementadas puede ayudar a evaluar nuevos riesgos relacionados con mayores capacidades, pero no necesariamente evaluaría las brechas en las mitigaciones planificadas. El enfoque ideal depende de las necesidades específicas del modelo, y los miembros del equipo rojo pueden probar múltiples versiones de un modelo y sistema durante el período de prueba. 3. Crear y proporcionar interfaces, instrucciones y orientación sobre documentación a los miembros del equipo rojo Las interacciones efectivas con los evaluadores externos durante las campañas de trabajo en equipo dependen de instrucciones claras, interfaces de prueba adecuadas y documentación práctica. Las instrucciones pueden incluir descripciones de los modelos y las medidas de seguridad existentes o planificadas, cómo usar la interfaz de prueba, áreas priorizadas para las pruebas y pautas para documentar los resultados. Las diferentes interfaces, o los medios a través de los cuales los evaluadores interactúan con un modelo de IA, podrían incluir una API o interfaces de productos de consumo como ChatGPT. Las interfaces utilizadas para el trabajo en equipo ayudan a facilitar las pruebas al permitir pruebas programáticas rápidas, recopilar comentarios sobre indicaciones o respuestas específicas o simular interacciones potenciales del usuario. Con la combinación correcta de interfaces

noviembre 22, 2024

Transformando textiles

La creciente demanda de una amplia gama de productos textiles, combinada con consideraciones de sostenibilidad, está impulsando a la industria a reevaluar sus operaciones y flujos de trabajo. Las tecnologías líderes y la experiencia de ABB están ayudando al sector a mejorar la eficiencia energética, impulsar la productividad y adoptar prácticas más sostenibles. La industria textil fue una de las primeras en surgir en la revolución industrial y sigue desempeñando un papel fundamental en la economía mundial y en nuestra vida cotidiana. Abarca una amplia gama de actividades, entre ellas la producción de fibras naturales y sintéticas, la fabricación de hilos y tejidos, y el diseño y la creación de productos textiles acabados, como prendas de vestir, textiles para el hogar, textiles industriales y tejidos técnicos. Generando valor para las personas, la industria y la economía En general, el mercado textil mundial1 se valoró en 1,8 billones de dólares en 2023 y se espera que supere los 3 billones de dólares en 2030, con una tasa de crecimiento anual compuesta del 7,8 por ciento. En términos de tendencias de crecimiento, los impulsores incluyen la industria de la moda, la creciente demanda de textiles técnicos, la caída de los costos de producción y los cambios en los hábitos de compra de los consumidores, que cada vez compran más en línea y muchos buscan telas y prendas producidas de manera más sostenible. En general, se espera que los textiles técnicos sean el segmento de aplicación de más rápido crecimiento y más lucrativo durante el período de pronóstico. El sector, que emplea a casi 75 millones de personas en todo el mundo 2 , aporta alrededor de 2,4 billones de dólares a la fabricación mundial. Sin embargo, este rápido aumento de la demanda de diversas aplicaciones textiles conlleva su propio conjunto de desafíos medioambientales y de productividad. Pagando por ineficiencias energéticas y de productividad Uno de los principales retos a los que se enfrentan los fabricantes textiles es la pérdida de productividad debido a averías no planificadas de los equipos. Cada minuto de inactividad se traduce en pérdida de producción, aumento de costes y plazos de entrega incumplidos. Calcular las pérdidas por inactividad es difícil porque la industria está muy fragmentada y cuenta con numerosas pequeñas y medianas empresas. Por la misma razón, muchos productores textiles son vulnerables a los cambios en los precios de la energía, lo que hace de la eficiencia energética una prioridad. Desafíos ambientales También existen impactos ambientales bien documentados asociados con la producción y eliminación de textiles y prendas de vestir. Estas industrias contribuyen con el 4-10 por ciento de las emisiones globales de carbono, y esta cifra podría aumentar al 26 por ciento para 2050 3 . Muchos productores se enfrentan a opciones limitadas y a menudo costosas para adoptar materiales y métodos más respetuosos con el medio ambiente. Además, las barreras prácticas dificultan el reciclaje de textiles y prendas de vestir usados, incluida la infraestructura inadecuada para localizar, recolectar y procesar los artículos descartados; por ejemplo, solo se recicla el 13% de los materiales utilizados en toda la cadena de valor de las prendas de vestir 4 . Además, el Banco Mundial estima que casi el 20 por ciento de la contaminación hídrica industrial mundial proviene de la industria textil. Abordar este desafío es fundamental para los esfuerzos mundiales por descarbonizar las cadenas de suministro y frenar las emisiones de gases de efecto invernadero en pos de un futuro neto cero. Tecnologías ABB en acción: Soluciones de fabricación y energía Cuadro eléctrico inteligente Sistema de alimentación ininterrumpida (SAI) PowerLine DPA Soluciones de distribución de energía Sistema ABB Ability™ 800xA Robots ABB IRB 6700 y RobotStudio Soluciones energéticas Variadores de velocidad (VSD) ACS880 Accionamientos de bombas solares Reluctancia sincrónica IE4 o IE5 (SynRM) PLC AC500 Gestor de energía ABB Ability Ayudamos a nuestros clientes textiles a superarse ABB se ha asociado con clientes de todo el mundo para abordar una amplia gama de desafíos, incluidos los crecientes costos de la energía, los complejos procesos de producción, las tendencias cambiantes de los consumidores y un énfasis creciente en la sostenibilidad. En respuesta, la industria está adoptando tecnologías digitales como la automatización y la Internet de las cosas (IoT) para transformar sus operaciones. Lenzing SPV , un productor líder mundial de fibras cortas de viscosa en Indonesia, necesita energía confiable para evitar costosos tiempos de inactividad, uso ineficiente de recursos, aumento de desperdicios y riesgo de daños a equipos sensibles. Con el SAI PowerLine DPA de ABB , se proporcionó disponibilidad de energía continua a través de su tecnología de doble conversión en línea. Combinado con la arquitectura paralela descentralizada (DPA) modular de ABB , el sistema se hizo flexible, escalable y fácil de mantener. El resultado neto fue una mayor productividad, eficiencia de recursos y costos y la capacidad de preservar sus materiales de fuentes renovables, como fibras de celulosa derivadas de la madera. Imagen cortesía de Lenzing Con una mayor digitalización y automatización en sus operaciones, las empresas textiles están en camino de mejorar sus objetivos de productividad, eficiencia energética y sostenibilidad en un mercado fragmentado pero orientado al crecimiento. Al utilizar la tecnología y la experiencia de ABB, estas empresas están en camino de ser más eficientes y limpias, asegurándose de que cada hilo cuente. ABB News. Traducido al español

noviembre 22, 2024

Impulsando un futuro renovable

Mientras el mundo enfrenta el cambio climático y busca soluciones sustentables, las empresas eléctricas, las compañías energéticas y las industrias están adoptando cada vez más la energía renovable como un componente fundamental y viable en la transición hacia un futuro neto cero. Las energías renovables están ganando impulso La energía renovable es aquella que se genera sin agotar ninguno de los recursos naturales de la Tierra y que se regenera a un ritmo mayor al que se produce. La generación de energías renovables genera emisiones mucho menores que la quema de combustibles fósiles, la parte de la huella ecológica global de la humanidad que crece con mayor rapidez. 1 El despliegue de energías renovables en los sectores de la electricidad, la calefacción, la refrigeración y el transporte es uno de los principales facilitadores para mantener el aumento de las temperaturas medias mundiales por debajo de 1,5 °C. Las renovables permiten descarbonizar casi por completo la generación de electricidad. Según un informe reciente, en 2023, el mundo añadió casi 510 gigavatios (GW) de capacidad eléctrica renovable, casi un 50 por ciento más que en 2022 2 . Se prevé que esta cifra aumente a más de 5.500 gigavatios (GW) en 2030, y casi la totalidad de ese crecimiento procederá de la energía solar y eólica, seguidas de la hidroeléctrica. Aunque el crecimiento no está totalmente en línea con el objetivo establecido por casi 200 gobiernos en la conferencia sobre el cambio climático COP28 en diciembre de 2023 de triplicar la capacidad renovable mundial en esta década, el informe pronostica que la capacidad mundial alcanzará 2,7 veces su nivel de 2022 en 2030 3 . Desafíos de la integración Sin embargo, la integración de fuentes renovables en las redes eléctricas plantea desafíos, ya que dependen de la luz del sol y del viento. Además, las redes no siempre tienen la capacidad de transmitir energía cuando está disponible en relación con la demanda de los consumidores. Por lo tanto, la transición a la energía renovable requiere una red más inteligente que pueda integrar fuentes de energía distribuidas, gestionar flujos de energía y comunicaciones bidireccionales y almacenar el exceso de energía para ayudar a equilibrar la oferta y la demanda. Electrificación, Automatización y Soluciones Digitales ABB hace posible esta transición al proporcionar tecnologías de electrificación, automatización y digitalización que respaldan el aumento efectivo de extremo a extremo de la energía renovable: desde la producción de paneles solares y siendo el principal proveedor mundial de componentes eléctricos para la industria eólica marina, hasta la habilitación de redes inteligentes, estables y resilientes y sistemas flexibles de almacenamiento de energía. Muchas organizaciones también están optando por integrar energías renovables en las microrredes para optimizar el consumo de energía, garantizar un suministro eléctrico continuo, reducir las emisiones de CO2 y mejorar la seguridad de la red. La implementación de las tecnologías de redes inteligentes de ABB permite que las microrredes exporten o importen energía hacia o desde la red nacional, lo que ayuda a equilibrar la oferta y la demanda. Nuestra cartera de almacenamiento de energía totalmente digitalizada aumenta la eficiencia de la red con soluciones probadas previamente y construidas en fábrica, que se pueden implementar directamente en los sitios del cliente para una instalación rápida, por ejemplo, los sistemas de control distribuido (DCS) de ABB, permiten a los operadores utilizar información de datos de todas las áreas de la planta, entregados en tiempo real, para impulsar la eficiencia y optimizar la producción. Solar: aprovechando la energía del sol Desde soluciones robóticas para la fabricación de paneles solares hasta soluciones completas de instrumentación, control y electricidad para plantas de energía solar, ABB apoya el crecimiento de la energía solar en el suelo, en el agua mediante «paneles flotantes» e incluso en el desierto. Por ejemplo, ABB proporciona componentes para los sistemas de energía solar fuera de la red de TSS4U que reemplazan a los generadores diésel en lugares remotos con energía sostenible. Proyectos solares clave El proyecto solar Al Dhafra PV2 (la planta solar más grande del mundo en un solo emplazamiento, para la que ABB suministró soluciones de automatización y optimización de la generación de energía) utiliza cuatro millones de módulos solares para generar electricidad suficiente para 200.000 hogares en los Emiratos Árabes Unidos por año. También ayudará a reducir las emisiones anuales de CO2 de Abu Dabi en más de 2,4 millones de toneladas métricas, el equivalente a retirar de las carreteras aproximadamente 470.000 automóviles de combustión. Proyecto solar fotovoltaico Al Dhafra en Abu Dhabi El viento: de las turbinas a los parques eólicos ABB cuenta con una amplia cartera de tecnologías para energía eólica marina para ayudar a los operadores energéticos a aprovechar esta energía a través de una producción, almacenamiento y distribución más inteligentes, acelerando la transición energética global. Por ejemplo, en 2023 ABB consiguió un pedido para suministrar una solución integrada de puente a hélice para los dos nuevos buques de instalación de turbinas eólicas de Havfram Wind. Los buques, que incorporan la última tecnología de transmisión híbrida con baterías y la propulsión eléctrica Azipod® de ABB, estarán entre los diseños más eficientes energéticamente para operar en la industria eólica marina. (Imagen a continuación) Viento de Havfram Proyectos eólicos clave En el parque eólico Dogger Bank, situado a más de 130 km de la costa noreste de Inglaterra, las soluciones tecnológicas y de ingeniería de ABB actúan como una puerta de enlace central que desbloquea el proceso de energía eólica marina, permitiendo que la electricidad generada por las turbinas eólicas fluya a la red nacional y a los hogares de las personas. ABB también suministró una solución de almacenamiento de energía en baterías a escala de red para el parque eólico de Ecotricity en Gloucestershire, que ayudará a allanar el camino hacia el objetivo de National Grid de alcanzar el cero neto para 2050. Geotermia: energía limpia proveniente de las profundidades de la Tierra Las tecnologías de ABB, como los generadores síncronos de alto rendimiento, desempeñan un papel crucial para garantizar el funcionamiento eficiente y fiable de las centrales geotérmicas. Nuestra asociación con

noviembre 22, 2024

Un nuevo centro reúne la experiencia en robótica de Stanford bajo un mismo techo

Los investigadores en robótica de Stanford, que antes estaban dispersos en laboratorios por todo el campus, ahora tienen un espacio unificado y de última generación para investigación, educación y colaboración innovadoras. El sótano debajo del edificio de ingeniería eléctrica de Packard, que alguna vez fue un pasillo con investigadores trabajando a puertas cerradas, es ahora un centro de colaboración muy activo. Después de muchos años de planificación, recaudación de fondos y desarrollo, el nuevo Centro de Robótica de Stanford abrió oficialmente sus puertas con una recepción el 1 de noviembre. La nueva instalación es un espacio luminoso, abierto y vibrante con varias salas de investigación dispuestas una al lado de la otra. En una esquina, una bailarina hace piruetas mientras sus movimientos se digitalizan y se proyectan en un monitor cercano. En la habitación de al lado, un par de brazos robóticos hacen una cama mientras otros preparan una comida. No muy lejos, un estudiante de medicina mira fijamente a través de lentes estereoscópicas mientras manipula herramientas manuales mientras una máquina al otro lado de la habitación realiza una cirugía simulada. “Llegué a Stanford en 1981 y esta idea, este sueño, siempre estuvo ahí, incluso entonces”, dice Oussama Khatib , director del nuevo Centro de Robótica de Stanford y autor intelectual del diseño y la transformación del espacio. “La robótica no puede tener éxito a menos que reunamos todas las diferentes áreas de investigación de la robótica: ingeniería mecánica, informática, ciencia de los materiales, ingeniería eléctrica, inteligencia artificial. Hay tantas conexiones entre lo que todos hacemos que realmente necesitábamos un lugar al que llamar hogar”. Khatib, profesor de informática, ha sido noticia con varios robots en sus más de cuatro décadas en Stanford. El más conocido es quizás su robot sumergible humanoide OceanOne , que ayudó a explorar naufragios y arrecifes de coral en aguas profundas sin riesgo para los buceadores humanos. ARMAR, un robot que visitó el Instituto Tecnológico de Karlsruhe, ayudó a entregar comida en la cocina del Centro de Robótica. | Andrew Brodhead Todo en uno La Universidad de Stanford ha estado a la vanguardia de la robótica desde la década de 1960, con esfuerzos innovadores como el » Stanford Cart «, un prototipo temprano de vehículo robótico para misiones lunares; » Shakey «, uno de los primeros robots artificialmente inteligentes del mundo con visión por computadora; y los primeros brazos robóticos que eventualmente transformarían las plantas de fabricación. “Oussama y yo hemos estado soñando con un centro como este durante al menos quince años”, dice Mark Cutkosky , profesor de ingeniería mecánica e inventor del Stickybot , entre otros logros notables. Stickybot es capaz de escalar caras verticales similares al vidrio utilizando pies inspirados en la capacidad de agarre de los dedos de un geco. En ese entonces, los dos imaginaron un gran centro de robótica central que unificaría laboratorios individuales para poder organizarse mejor para proyectos más grandes. “En la actualidad, todo se hace de abajo hacia arriba”, afirma Cutkosky. “Se forman grupos de uno, dos o tres profesores que pueden reunirse y proponer algo, pero esto es algo totalmente diferente que nos permitirá llevar adelante proyectos de gran envergadura que reúnan todas nuestras diferentes habilidades en un solo esfuerzo. Habrá muchas oportunidades nuevas”. Oussama Khatib observa el área de “viviendas” del Centro de Robótica, donde los investigadores prueban y desarrollan robots que algún día podrían aparecer en nuestros hogares. | Andrew Brodhead Felicidad doméstica Jeannette Bohg , profesora adjunta de informática, es una de las investigadoras que ya ha visto las ventajas en acción. Se especializa en robots domésticos que algún día podrían limpiar casas y apartamentos o incluso ayudar a las personas mayores a vivir de forma independiente durante más tiempo. Bohg dirige el Laboratorio de Percepción Interactiva y Aprendizaje de Robots y es una colaboradora clave del proyecto multiuniversitario TidyBot . TidyBot es un robot doméstico que utiliza la visión artificial y la inteligencia artificial para reconocer objetos cotidianos que se encuentran en la casa, agarrarlos y guardarlos en su lugar correspondiente: platos en el lavavajillas, ropa en el cesto de la ropa, libros en la estantería, etc. El principal desafío es saber dónde está el lugar correcto, dice, una decisión que es personal para cada usuario. Por lo tanto, los robots deben aprender las preferencias de su dueño. El equipo de Bohg trabaja en los componentes del brazo y la mano de agarre de TidyBot. Para ella, el nuevo centro robótico significa literalmente espacio para esparcirse. La nueva suite doméstica es como una pequeña casa donde sus robots pueden practicar sus muchas tareas. “En 2017, cuando llegué al campus y monté mi laboratorio, era muy pequeño para el tipo de trabajo que hacemos. El laboratorio era básicamente un bosque de brazos robóticos en el que todos se sentaban en el espacio de los demás mientras hacían experimentos”, recuerda Bohg. Dentro del Centro de Robótica de Stanford + 10 Fotografías de Andrew Brodhead El potencial de la proximidad Allison Okamura , profesora de ingeniería mecánica, dirige el Laboratorio de Háptica y Robótica Colaborativa en Medicina ( CHARM ). Las herramientas y los principios que ella y su equipo desarrollan permiten una interacción táctil avanzada, especialmente en aplicaciones biomédicas. Okamura ha desarrollado herramientas para la teleoperación de equipos quirúrgicos robóticos, ha diseñado robots para prótesis y rehabilitación física y ha fabricado robots de inspiración biológica para inspección y búsqueda y rescate en entornos de alto riesgo. Para Okamura, la principal ventaja de la proximidad que ofrecerá el nuevo Centro de Robótica es la colaboración, a menudo de formas inesperadas. Ella prevé encuentros fortuitos en los que un laboratorio verá lo que está haciendo otro y buscará oportunidades de trabajar juntos. “Estos encuentros casuales ya están sucediendo”, dice, describiendo una reunión reciente en la que su equipo estaba probando y preparando una demostración de un “robot suave con forma de serpiente que podría usarse para operaciones de rescate en zonas sísmicas”. Un estudiante de otro laboratorio se acercó y le dijo que estaban buscando aplicar el aprendizaje automático a este tipo de robot con forma de serpiente. “No lo sabía hasta que lo vi, pero eso

noviembre 21, 2024

Cinco formas de preparar su negocio para el futuro con centros de datos de alto rendimiento

Cuando no sabe cuáles serán los requisitos futuros de su centro de datos, debe estar preparado para cualquier cosa. La mayoría de los líderes empresariales saben que necesitan la infraestructura digital adecuada en los lugares adecuados, pero no pueden planificar sólo para hoy; necesitan prepararse para lo que pueda deparar el futuro. Esto no es fácil de hacer, porque no saben lo que deparará el futuro. Tienen que estar preparados para cualquier cosa y necesitan centros de datos que puedan ayudarlos a hacerlo. Los centros de datos locales tradicionales no ofrecen la flexibilidad necesaria para preparar una empresa digital para el futuro. Actualizar estos centros de datos es costoso y lleva mucho tiempo. Cuando complete una actualización, sus necesidades habrán cambiado nuevamente y tendrá que comenzar a planificar la próxima actualización de inmediato. Los servicios de coubicación ofrecen una flexibilidad que no tienen los centros de datos privados. Los centros de datos de coubicación de alto rendimiento ofrecen más que solo espacio y energía; también ofrecen acceso a ecosistemas, alcance geográfico y servicios digitales avanzados para ayudar a las empresas a superar muchos de sus mayores desafíos. En el futuro, los centros de datos de alto rendimiento serán aún más importantes. Ayudarán a las empresas a prepararse para requisitos que ni siquiera saben que tienen. Veamos más de cerca cómo podrían ser esos requisitos. Descubra lo que saben los líderes digitales. 1. Satisfacer las necesidades de las futuras cargas de trabajo de IA La infraestructura digital preparada para la IA no consiste únicamente en conseguir el hardware adecuado; también es necesario respaldar ese hardware con energía escalable, capacidades de refrigeración avanzadas y un ecosistema de proveedores de servicios y socios. Conseguir todo esto ya es bastante difícil hoy en día, y es poco probable que sea más fácil en el futuro. Podemos asumir con seguridad que los conjuntos de datos de IA seguirán creciendo, lo que significa que las empresas necesitarán más capacidad de cómputo, energía y refrigeración. Satisfacer estas necesidades requerirá inversiones constantes en nueva infraestructura. No es algo que los líderes empresariales puedan hacer por sí mismos, a menos que quieran que la gestión de centros de datos se convierta en su trabajo de tiempo completo. Los requisitos de infraestructura de IA se están volviendo más complejos gracias a regulaciones emergentes como la Ley de Inteligencia Artificial de la UE . Para cumplir con estas regulaciones, las empresas necesitarán control y visibilidad completos sobre sus cargas de trabajo y modelos de IA. En resumen, necesitarán un centro de datos de alto rendimiento para almacenar sus activos de IA. Esto les brindará un entorno privado sobre el cual mantener el control, junto con la flexibilidad para mover activos a la nube según sea necesario. 2. Preparación para los requisitos futuros de sostenibilidad La adopción de la IA y el cumplimiento de los objetivos de sostenibilidad son dos cosas que ninguna empresa puede lograr trabajando sola. Así como el éxito con la IA depende de encontrar los socios adecuados, el éxito con la sostenibilidad depende de encontrar socios que prioricen la sostenibilidad de la misma manera que usted. Por ejemplo, para soportar cargas de trabajo futuras de una manera más sostenible se necesitará una innovación constante. Los proveedores de coubicación pueden hacer el trabajo duro de innovar para la sostenibilidad de maneras que las empresas no pueden. Las empresas pueden cosechar los beneficios de ese trabajo duro simplemente implementando como cliente un centro de datos de alto rendimiento. Las innovaciones necesarias para la sostenibilidad a largo plazo se presentan en dos formas: En segundo lugar, Equinix ha invertido en contratos de compra de energía (PPA) para apoyar proyectos eólicos y solares en todo el mundo. Estos PPA representan más de 1 gigavatio de energía en virtud de contratos a largo plazo. Una vez que estén completamente construidos, se espera que los proyectos subyacentes a esos PPA tengan una capacidad de generación combinada de 3 millones de MWh por año. 3. Acceder a las nubes adecuadas de forma rápida y sencilla Para satisfacer sus futuras necesidades de nube, las empresas deben trabajar con un socio de infraestructura digital que priorice la neutralidad de los proveedores. En Equinix, la neutralidad ha sido una parte integral de nuestro ADN desde nuestra fundación hace más de 25 años. Hoy, somos líderes del mercado en rampas de acceso a la nube de baja latencia , lo que facilita que nuestros clientes se conecten con múltiples proveedores de nube en múltiples ubicaciones. Equinix también ofrece soluciones innovadoras de redes multicloud para ayudar a trasladar datos a diferentes nubes de forma rápida y segura. Por ejemplo, a principios de este año anunciamos Equinix Fabric® Cloud Router para ayudar a simplificar el enrutamiento entre nubes y entre entornos de nube híbrida. Reconocemos que nuestros clientes deben tener en cuenta la adopción de la multicloud a medida que rediseñan sus redes, por lo que seguiremos invirtiendo en nuevas herramientas que simplifiquen aún más la experiencia del usuario en relación con las redes multicloud. Este es otro ejemplo de una capacidad valiosa que solo se encuentra en un centro de datos de alto rendimiento. 4. Permitir la expansión global El mundo empresarial se está volviendo un lugar más pequeño. En el futuro, es probable que desee expandirse a mercados que ni siquiera están en su radar hoy. Construir centros de datos privados tradicionales en cada uno de estos mercados sería poco práctico. No le permitiría aumentar rápidamente la capacidad en nuevas ubicaciones y también podría llevarlo a sobreaprovisionar recursos en mercados que más adelante se vuelvan menos importantes para su negocio. Afortunadamente, cuando se implementa en un centro de datos de alto rendimiento, no se obtiene un solo centro de datos, sino una plataforma global interconectada de centros de datos en muchas ubicaciones estratégicas. Puede implementar en nuevos lugares según sea necesario y volver a conectarse fácilmente a su infraestructura existente en los mercados principales. Los centros de datos de colocación Equinix IBX® están disponibles en más de 70 áreas metropolitanas en seis continentes. Nunca hemos dejado de invertir en nuevos

noviembre 18, 2024

El nuevo perro robot del MIT aprendió a caminar y trepar en una simulación creada con inteligencia artificial generativa

Uno de los grandes retos a la hora de entrenar modelos de IA para controlar robots es reunir suficientes datos realistas. Ahora, investigadores del MIT han demostrado que pueden entrenar a un perro robot utilizando datos 100 % sintéticos. Tradicionalmente, los robots se han codificado manualmente para realizar tareas específicas, pero este enfoque da como resultado sistemas frágiles que tienen dificultades para hacer frente a la incertidumbre del mundo real. Los enfoques de aprendizaje automático que entrenan a los robots con ejemplos del mundo real prometen crear máquinas más flexibles, pero recopilar suficientes datos de entrenamiento es un desafío importante. Una posible solución alternativa es entrenar a los robots mediante simulaciones informáticas del mundo real, lo que hace que sea mucho más sencillo crearles nuevas tareas o entornos. Pero este enfoque se ve afectado por la “brecha entre la simulación y la realidad”: estos entornos virtuales siguen siendo malas réplicas del mundo real y las habilidades que se aprenden en ellos a menudo no se trasladan. Ahora, los investigadores del MIT CSAIL han encontrado una forma de combinar simulaciones e IA generativa para permitir que un robot, entrenado sin datos del mundo real, aborde una serie de desafiantes tareas de locomoción en el mundo físico. “Uno de los principales desafíos en la transferencia de simulación a realidad para la robótica es lograr realismo visual en entornos simulados”, dijo Shuran Song de la Universidad de Stanford, quien no participó en la investigación, en un comunicado de prensa del MIT . “El marco LucidSim ofrece una solución elegante que utiliza modelos generativos para crear datos visuales diversos y sumamente realistas para cualquier simulación. Este trabajo podría acelerar significativamente la implementación de robots entrenados en entornos virtuales para tareas del mundo real”. Los simuladores más utilizados para entrenar robots en la actualidad pueden reproducir de forma realista el tipo de física que probablemente enfrentarán los robots, pero no son tan buenos para recrear los diversos entornos, texturas y condiciones de iluminación que se encuentran en el mundo real. Esto significa que los robots que dependen de la percepción visual a menudo tienen dificultades en entornos menos controlados. Para solucionar este problema, los investigadores del MIT utilizaron generadores de texto a imagen para crear escenas realistas y las combinaron con un simulador popular llamado MuJoCo para mapear datos geométricos y físicos en las imágenes. Para aumentar la diversidad de imágenes, el equipo también utilizó ChatGPT para crear miles de indicaciones para el generador de imágenes que abarcan una amplia gama de entornos. Después de generar estas imágenes realistas del entorno, los investigadores las convirtieron en vídeos cortos desde la perspectiva de un robot utilizando otro sistema que desarrollaron, llamado Dreams in Motion, que calcula cómo se desplazaría cada píxel de la imagen a medida que el robot se desplaza por un entorno, creando múltiples fotogramas a partir de una única imagen. Los investigadores denominaron a este proceso de generación de datos LucidSim y lo utilizaron para entrenar a un modelo de IA para que controlara un robot cuadrúpedo utilizando solo información visual. El robot aprendió una serie de tareas de locomoción, como subir y bajar escaleras, trepar cajas y perseguir una pelota de fútbol. El proceso de entrenamiento se dividió en partes. En primer lugar, el equipo entrenó su modelo con datos generados por un sistema de IA experto con acceso a información detallada del terreno mientras intentaba realizar las mismas tareas. Esto le dio al modelo suficiente conocimiento de las tareas para intentarlas en una simulación basada en los datos de LucidSim, que generó más datos. Luego, volvieron a entrenar el modelo con los datos combinados para crear la política de control robótico final. El método igualó o superó al sistema de inteligencia artificial experto en cuatro de las cinco tareas en pruebas del mundo real, a pesar de depender únicamente de información visual. Y en todas las tareas, superó significativamente a un modelo entrenado utilizando “aleatorización de dominio”, un método de simulación líder que aumenta la diversidad de datos al aplicar colores y patrones aleatorios a los objetos del entorno. Los investigadores dijeron a MIT Technology Review que su próximo objetivo es entrenar a un robot humanoide con datos puramente sintéticos generados por LucidSim. También esperan utilizar el método para mejorar el entrenamiento de brazos robóticos en tareas que requieran destreza. Dado el apetito insaciable de datos de entrenamiento de robots, es probable que métodos como este, que pueden proporcionar alternativas sintéticas de alta calidad, se vuelvan cada vez más importantes en los próximos años. singularityhub. E. C. Traducido al español

noviembre 17, 2024

Intel impulsa el desarrollo de la IA con contribuciones a PyTorch 2.5

Las nuevas características mejoran la experiencia de programación para los desarrolladores de IA en el centro de datos y el hardware del cliente, ampliando el soporte para las GPU Intel. Los desarrolladores que trabajan en inteligencia artificial (IA) pueden acceder a un soporte ampliado para las GPU de Intel en PyTorch* 2.5, que se lanzó recientemente con contribuciones de Intel. Las GPU compatibles incluyen gráficos discretos Intel® Arc™ , procesadores Intel® Core™ Ultra con gráficos Intel® Arc™ integrados e Intel® Data Center GPU Max Series 1 . Estas nuevas funciones ayudan a promover flujos de trabajo de aprendizaje automático acelerados dentro del ecosistema de PyTorch y brindan una experiencia y un soporte consistentes para los desarrolladores. Los desarrolladores de aplicaciones e investigadores que buscan ajustar, inferir y experimentar con los modelos de PyTorch en las PC Intel Core Ultra AI ahora podrán instalar PyTorch directamente con versiones de vista previa y versiones binarias nocturnas para Windows, Linux y Windows Subsystem for Linux 2. Las nuevas características incluyen: Además, PyTorch 2.5 incorpora mejoras y nuevas funciones para las últimas CPU de centros de datos de Intel. El tipo de datos FP16 está habilitado y optimizado a través de Intel® Advanced Matrix Extensions tanto para el modo entusiasta como para TorchInductor para mejorar las capacidades de inferencia en las últimas plataformas de CPU de centros de datos de Intel, como los procesadores Intel® Xeon® 6. El backend C++ de TorchInductor también está disponible en Windows para brindar una mejor experiencia de usuario a los desarrolladores de IA en entornos Windows. 1 La serie Intel Data Center GPU Max está disponible solo en Intel® Tiber™ AI Cloud Los resultados de rendimiento se basan en pruebas realizadas en las fechas que se muestran en las configuraciones y es posible que no reflejen todas las actualizaciones disponibles públicamente. Consulte la copia de seguridad para obtener detalles de la configuración.Intel no controla ni audita los datos de terceros. Debe consultar otras fuentes para evaluar la precisión. Intel News. Traducido al español

noviembre 16, 2024

La nueva memoria ultrarrápida potencia los chips para centros de datos de Intel

Cómo Intel y sus socios de la industria encontraron una forma inteligente de duplicar el ancho de banda de memoria de los módulos DRAM estándar, dando rienda suelta a los chips Xeon de gama alta con una solución plug-and-play. Si bien el principal foco de atención de los productos de Intel son los procesadores, o cerebros, que hacen que las computadoras funcionen, la memoria del sistema (es decir, la DRAM) es un componente fundamental para el rendimiento. Esto es especialmente cierto en los servidores, donde la multiplicación de los núcleos de procesamiento ha superado el aumento del ancho de banda de la memoria (en otras palabras, el ancho de banda de memoria disponible por núcleo ha disminuido). En trabajos informáticos pesados, como el modelado meteorológico, la dinámica de fluidos computacional y ciertos tipos de IA, este desajuste podría crear un cuello de botella… hasta ahora. Después de varios años de desarrollo con socios de la industria, los ingenieros de Intel han encontrado una manera de abrir ese cuello de botella, creando una solución novedosa que ha creado la memoria de sistema más rápida de la historia y que está destinada a convertirse en un nuevo estándar abierto de la industria . Los procesadores para centros de datos Intel® Xeon® 6 recientemente presentados son los primeros en beneficiarse de esta nueva memoria, llamada MRDIMM, para lograr un mayor rendimiento, de la manera más plug-and-play imaginable. Bhanu Jaiswal, gerente de productos Xeon en el grupo Data Center and AI (DCAI) de Intel, explica que “un porcentaje significativo de cargas de trabajo informáticas de alto rendimiento están limitadas por el ancho de banda de la memoria”, el tipo que más se beneficiará con los MRDIMM. Parece demasiado bueno para ser verdad: aquí está la historia detrás del módulo de memoria en línea dual de rango multiplexado DDR5, o MRDIMM para una narración eficiente. Llevando el paralelismo a la memoria del sistema, con amigos Resulta que los módulos de memoria más comunes que se utilizan en los centros de datos, conocidos como RDIMM, sí tienen recursos paralelos integrados, como los procesadores modernos, pero no se utilizan de esa manera. “La mayoría de las DIMM tienen dos niveles de rendimiento y capacidad”, afirma George Vergis, ingeniero principal sénior en búsqueda de rutas de memoria en DCAI. “Es el punto ideal”. Se puede pensar en los rangos como bancos: un conjunto de chips de memoria en un módulo pertenecería a uno y el resto al otro rango. Con las RDIMM, se puede almacenar y acceder a los datos en varios rangos de forma independiente, pero no simultánea. Ante esta situación, recuerda Vergis, “pensamos: ‘Un momento. Tenemos recursos paralelos que no se utilizan. ¿Por qué no podemos juntarlos?’”. La idea que perseguía Vergis era colocar un pequeño chip de interfaz –un multiplexor o “mux”– en el módulo DRAM. Esto permite que los datos fluyan a través de ambos niveles de memoria en la misma unidad de tiempo. El buffer mux consolida la carga eléctrica de cada MRDIMM, lo que permite que la interfaz funcione a una velocidad mayor en comparación con las RDIMM. Y ahora que se puede acceder a ambos rangos de memoria en paralelo, su ancho de banda se ha duplicado. El resultado es la memoria de sistema más rápida jamás creada, un salto que normalmente llevaría varias generaciones de tecnologías de memoria para lograrse (en este caso, el ancho de banda máximo aumenta casi un 40%, de 6.400 megatransferencias por segundo (MT/s) a 8.800 MT/s). El mismo módulo de memoria estándar, pero más rápido En este punto, es posible que usted se pregunte: “¿Está Intel volviendo al negocio de la memoria?” No. Aunque Intel comenzó como una empresa de memoria e inventó tecnologías como EPROM y DRAM, la empresa ha abandonado varios de sus negocios de productos de memoria a lo largo de su historia (algunos de ellos de forma bastante famosa). Pero Intel nunca detuvo sus esfuerzos para que los distintos componentes informáticos sean interoperables y tengan un mayor rendimiento. Vergis representa a Intel en la junta directiva de JEDEC, que establece estándares abiertos para la industria de la microelectrónica, en particular para la memoria. Vergis ganó un premio JEDEC en 2018 por su trabajo en el estándar DDR5, y ahora mismo está dedicando tiempo al DDR6. (JEDEC también honró este año al CEO de Intel, Pat Gelsinger, por su trayectoria como «un firme defensor de los estándares abiertos, como lo demuestra el liderazgo histórico de Intel en el desarrollo de estándares»). Vergis y sus compañeros comenzaron este trabajo en 2018 y probaron el concepto con prototipos en 2021. Intel se asoció con el ecosistema de memoria para construir los primeros componentes y donó las especificaciones a JEDEC como un nuevo estándar abierto a fines de 2022. Lo que destaca del MRDIMM es su facilidad de uso. Utiliza el mismo conector y factor de forma que un RDIMM normal (incluso los pequeños chips multiplexores caben en los espacios que antes estaban vacíos del módulo), por lo que no requiere cambios en la placa base. Las MRDIMM también incorporan las mismas funciones de corrección de errores y confiabilidad, disponibilidad y capacidad de servicio (RAS) que las RDIMM. La integridad de los datos se mantiene sin importar cómo se multiplexen las solicitudes separadas en el búfer de datos, explica Vergis. Todo esto significa que los clientes de los centros de datos pueden elegir MRDIMM cuando piden un nuevo servidor o, más adelante, pueden sacar ese servidor del rack y cambiar los RDIMM por nuevos MRDIMM. No es necesario cambiar ni una sola línea de código para disfrutar del nuevo rendimiento. Xeon 6 + MRDIMM = 🚀🚀 Lo que se necesita es una CPU que pueda trabajar con MRDIMM, y el primero disponible es el procesador Intel Xeon 6 con núcleos Performance, cuyo nombre en código es Granite Rapids, que llegó al mercado este año. Pruebas independientes recientes compararon dos sistemas Xeon 6 idénticos, uno con MRDIMM y el otro con RDIMM. El sistema con MRDIMM completó las tareas hasta un 33 % más rápido.

noviembre 16, 2024

Simular cómo las moscas de la fruta ven, huelen y navegan

Los científicos de la EPFL han mejorado su modelo NeuroMechFly, que simula el movimiento de la mosca de la fruta en el mundo real. Con visión y olfato integrados, nos ayuda a comprender la coordinación entre el cerebro y el cuerpo, abriendo el camino para el papel de la neuroingeniería en la robótica y la inteligencia artificial. Todos los animales, grandes o pequeños, deben moverse con una precisión increíble para interactuar con el mundo. Comprender cómo el cerebro controla el movimiento es una cuestión fundamental en neurociencia. Para los animales más grandes, esto es un desafío debido a la complejidad de sus cerebros y sistemas nerviosos. Pero la mosca de la fruta, Drosophila melanogaster, tiene un cerebro más pequeño y, por lo tanto, más fácil de mapear, lo que permite a los científicos obtener información detallada sobre cómo su sistema nervioso impulsa el comportamiento. Para entender cómo el sistema nervioso controla las acciones, los investigadores del grupo de Pavan Ramdya en la EPFL crearon una realidad simulada en la que una mosca virtual puede operar y responder como lo hacen las moscas reales. Este programa, conocido como NeuroMechFly v2, implementa un modelo neuromecánico que va más allá de las funciones motoras básicas. Al incorporar detección visual y olfativa, terrenos complejos y retroalimentación motora fina, NeuroMechFly v2 simula cómo una mosca de la fruta se desplazaría por su entorno mientras reacciona a imágenes, olores y obstáculos. Simulación de detección y movimiento en la vida real La investigación de Ramdya se ha centrado en replicar digitalmente los principios que subyacen al control motor de la Drosophila . En 2019, su grupo publicó DeepFly3D , un software que utiliza el aprendizaje profundo para capturar cómo se mueven las patas de la mosca basándose en imágenes de varias cámaras. En 2021, el equipo de Ramdya reveló LiftPose3D , un método para reconstruir poses de animales en 3D a partir de imágenes tomadas con una sola cámara. Estos esfuerzos se complementaron con su publicación en 2022 de NeuroMechFly , un primer «gemelo» digital morfológicamente preciso de la Drosophila . Con la segunda versión de NeuroMechFly, los investigadores han añadido características detalladas que imitan la anatomía y la fisiología de la mosca real. Por ejemplo, han actualizado cuidadosamente los ángulos de las patas y las articulaciones para que coincidan mejor con la biomecánica de los movimientos de la mosca de la fruta real. El «cerebro» del modelo ahora puede procesar información visual y olfativa a través de ojos y antenas virtuales, lo que le proporciona una experiencia sensorial cercana a la de una mosca de la fruta real. Esta configuración permite a NeuroMechFly v2 simular diferentes estrategias de control para tareas de la vida real, como caminar sobre terreno accidentado o girar en respuesta a olores y señales visuales. El equipo ha demostrado un comportamiento realista de las moscas en diferentes condiciones. Por ejemplo, el modelo puede seguir visualmente un objeto en movimiento o navegar hacia una fuente de olor, mientras evita obstáculos en su camino. Modelado de actividades neuronales para comprender los principales comportamientos de la mosca de la fruta NeuroMechFly también permite a los investigadores inferir actividades neuronales en el cerebro basándose en la experiencia de la mosca en el mundo virtual. “Al interconectar NeuroMechFly v2 con un modelo computacional recientemente publicado del sistema visual de la mosca , los investigadores pueden leer no solo lo que la mosca está viendo en el entorno simulado, sino también cómo podrían estar respondiendo las neuronas reales”, dice Sibo Wang-Chen, quien dirigió la investigación. Con acceso a estas actividades neuronales, los científicos modelaron cómo la mosca podría perseguir a otra mosca (por ejemplo, durante el cortejo) de una manera biológicamente plausible. Esto fue posible gracias al sistema de control jerárquico del modelo, que permite que las funciones «cerebrales» de nivel superior interactúen con las funciones motoras de nivel inferior, una organización que imita la forma en que los animales reales procesan la información sensorial y controlan sus cuerpos. Por último, los investigadores también pueden utilizar NeuroMechFly v2 para estudiar cómo el cerebro integra las señales sensoriales para mantener una conciencia del estado del animal. Para demostrarlo, el equipo de Ramdya replicó la capacidad de la mosca de utilizar las señales de retroalimentación de los movimientos de las patas para realizar un seguimiento de su ubicación, un comportamiento denominado integración de trayectorias. Esta característica permite a la mosca simulada «saber» dónde está, incluso cuando sus entradas visuales son limitadas. Este tipo de procesamiento sensorial de circuito cerrado es un sello distintivo de la inteligencia biológica y un hito fundamental para la neuroingeniería. La coordinación cerebro-cuerpo para inspirar la robótica y la IA En conjunto, NeuroMechFly v2 permite a los investigadores investigar cómo el cerebro controla comportamientos cruciales mediante modelos computacionales. Esto allana el camino para obtener conocimientos más profundos sobre la coordinación cerebro-cuerpo, especialmente para especies con sistemas sensoriomotores complejos. En el futuro, este modelo podría servir como modelo para diseñar robots que naveguen utilizando señales sensoriales, como el seguimiento de olores o el ajuste de movimientos para estabilizar las imágenes, como animales reales que exploran sus entornos. Al mejorar los modelos de aprendizaje automático que controlan estas simulaciones, los investigadores también pueden aprender cómo la inteligencia animal puede allanar el camino para sistemas de IA que sean más autónomos, robustos y receptivos a su entorno. EPFL. N. P. Traducido al español

noviembre 15, 2024

El Portal de las Tecnologías para la Innovación

Categoría: Robótica y Automatización

Avanzando en el trabajo en equipo con personas e IA

Transformando textiles

Impulsando un futuro renovable

Un nuevo centro reúne la experiencia en robótica de Stanford bajo un mismo techo

Cinco formas de preparar su negocio para el futuro con centros de datos de alto rendimiento

El nuevo perro robot del MIT aprendió a caminar y trepar en una simulación creada con inteligencia artificial generativa

Intel impulsa el desarrollo de la IA con contribuciones a PyTorch 2.5

La nueva memoria ultrarrápida potencia los chips para centros de datos de Intel

Simular cómo las moscas de la fruta ven, huelen y navegan

Buscá noticias

Seleccioná una categoría

Newsletter

El portal de
las tecnologías
para la innovación

Contacto

Categoría: Robótica y Automatización

Buscá noticias

Seleccioná una categoría

Newsletter

El portal de las tecnologías para la innovación

Contacto

El portal de
las tecnologías
para la innovación