#redes neuronales | Explore Tumblr Posts and Blogs

tengomilpalabrasparati · 11 months

Text

LA ADICCIÓN AL AMOR 💞

Hasta un cinco por ciento de la población conoce el rostro más enfermizo del amor. Unos viven en un perpetuo estado de enamoramiento con varias personas a la vez y otros se «enganchan» a una semejante. Él o ella son su «droga»

ADICCION AL ENAMORAMIENTO

Un ser humano enamorado experimenta una sensación placentera comparable a muy pocas otras experiencias. Los problemas desaparecen, la vida se encara con optimismo, no hay dolor, no existen los defectos en la persona amada y una felicidad desbordante incluso nos hace vulnerables y, en cierto modo, perder el rumbo.

Pero eso no importa cuando se está inmerso en una «borrachera» de sentimientos hacia otra persona, sobre todo si se es correspondidos. Sin embargo, con el tiempo, esas sensaciones se evaporan, aunque muchos darían lo que fuera por volver a experimentarlas, aunque fuera sólo por un instante.

No obstante, el amor tiene también su vertiente patológica y nefasta para la salud física y mental. Ese placer de estar enamorado conduce a muchas personas al deseo de vivir en un un perpetuo e imposible estado de enamoramiento, mientras otros, sufren el «enganche» a un hombre o a una mujer y su ausencia o rechazo es actúa como la falta de heroína para un toxicómano. Son situaciones en las que el amor conduce al sufrimiento y no a la felicidad.

El primer grupo son los llamados adictos al amor), y el segundo los que sufren una dependencia emocional hacia otra persona.

LA ADICCIÓN AL AMOR

Mientras que el dependiente emocional focaliza su obsesión en una sola persona, en el adicto al amor la «droga» no es un semejante, sino el anhelo de amar y ser amado, vivir siempre instalado en la primera fase de cualquier relación de pareja donde la pasión y los sentimientos conducen por un tobogán emocional, el del amor romántico e idealizado.

Los adictos al amor no soportan salir de ese estado. Cuando comienza a romperse el idilio porque la relación se calma ya no sienten ese pico de estimulación. Entonces buscan relaciones conflictivas que les garantizan que siempre va a haber vértigo, peleas y reconciliaciones.

La mayor parte de las personas no se estancan en ese punto, sino que pasan página y la relación se termina tras esa etapa de pasión inicial, cuando se ve a la otra persona realmente como es, se acepta que el otro no es lo que se esperaba y se produce un alejamiento, por supuesto, con tristeza y dolor, aunque hay una mirada realista que permite darse cuenta de que si siguen juntos se harán daño.

Pueden amar a varias personas a la vez para satisfacer esa necesidad interna de nuevas experiencias amatorias.

La aparición en escena de internet y especialmente de las redes sociales ha agravado este problema. Las redes como Facebook posibilitan el encuentro con viejos amores de la adolescencia y eso ha estimulado en este tiempo la ilusión de recuperar algo que se ha perdido.

BIOLOGIA Y QUÍMICA DEL ENAMORAMIENTO

El placer que se experimenta en la fase de enamoramiento tiene una clara explicación fisiológica. En algunos estudios se ha observado mediante resonancia magnética que en el cerebro de las personas enamoradas las regiones que más se activan (el área tegmental ventral y el núcleo caudado) son las mismas que reaccionan ante distintas adicciones a sustancias.

El balance de los neurotransmisores, mensajeros neuronales, justifica en gran medida muchos comportamientos asociados al amor y sus circunstancias.

El aumento de la dopamina que interviene también en el circuito de recompensa incrementa la atención y la tendencia a considerar única a la persona amada. Provoca euforia, pérdida del apetito, temblores, palpitaciones, aumento de la frecuencia respiratoria, ansiedad, pánico, temor, cambios súbitos del humor, desesperación si se rompe la relación.

Todas estas conductas son características de la dependencia a las drogas como la cocaína y las anfetaminas. Por otra parte, el aumento de la noradrenalina permite la fijación de las cualidades positivas y desestima las negativas de la persona amada, mientras que la disminución de los niveles de serotonina genera pensamientos obsesivos hacia la persona amada.

TRASTORNOS DEL COMPORTAMIENTO EN EL AMOR

Con todo, pese a que la vida del adicto al amor es compleja y discurre por sendas tortuosas (con problemas económicos derivados de las relaciones paralelas), quizá en el dependiente emocional el grado de sufrimiento es mucho mayor.

Enviar cientos de mensajes de móvil en un día, celos descontrolados y renunciar a amigos y familia por la persona amada son moneda común entre estos pacientes.

Están tan ciegos de amor que incluso se dejan humillar o permiten la agresión física por parte de su pareja.

Toleran eso porque están dispuestos a pagar cualquier precio con tal de retener a esa persona a su lado.

El miedo a quedarse solas las paraliza. Pierden su individualidad, viven a través de su pareja, abandonan su vida, sus amigos, su familia sus actividades por estar con la otra persona, se obsesionan con ella y necesitan controlar todo: dónde está, qué come, qué compra...

Siempre se vive en la desconfianza, imaginándose cosas y con el temor de que la abandonen. Pero luego sufren mucho viéndose en ese papel de acosador o acosadora. Sólo desean amar a esa persona, pero la obsesión lo domina todo.

EL ORIGEN DE LA ADICCION AL AMOR

Los adictos al amor carecen de autoestima y dudan de su lugar en este mundo. No tienen familia, ni relaciones amistosas, ni un objetivo que les motive en la vida.

En su infancia han sufrido algún tipo de déficit afectivo en cuanto a la confianza por parte de los padres, sobre la oportunidad de comprometerse con otra persona y capacidad para hacer amigos.

La adicción al amor propiamente dicha, podría ser un patrón más común en los hombres, mientras que las mujeres suelen meterse en relaciones enfermizas y dependientes.

Tampoco es igual el grado de padecimiento, pues el adicto al amor puede encontrar consuelo en sucesivas personas de las que se va enamorando, pero en el caso del dependiente si no puede estar con pareja deseada, es decir, acceder a su «droga» particular, no le queda otra opción que pasarlo mal hasta llegar a padecer cuadros psiquiátricos más o menos severos.

SINDROME DE DON JUAN

Por otra parte, existe el llamado síndrome del Don Juan, un hombre obsesionado por conquistar a otra persona, pero una vez logrado ese objetivo pierde todo interés y se siente infeliz.

Por lo general, el Don Juan es un personaje con poca definición de su rol sexual y un narcisismo cruel y despiadado que desconoce el impacto de su interacción con los demás. Pero al fin de cuentas, una personalidad débil y necesitada de la admiración de los demás, carece de estabilidad y termina sufriendo sus consecuencias en sí mismo.

El Don Juan (el mujeriego) es un adicto al sexo y de un pobre atractivo personal, todo queda bajo una pátina de seducción y habilidad para lograr el objetivo. Esto aumenta la efímera fragilidad de la satisfacción de las conquistas y el número necesario para disminuir la tensión interna, es cada vez mayor y más difícil de alcanzar. A mayor cantidad de encuentros mayor incremento del vacío interior.

Este personaje alcanzó brillo en la sociedad patriarcal y fue soportado por las mujeres que aún abandonadas sentían el privilegio de haber sido elegidas.

ℜ𝔬𝔰𝔞 🖤

#LA ADICCIÓN AL AMOR #SINDROME DE DON JUAN #El miedo a quedarse solas #Provoca euforia #gifs

14 notes · View notes

adans19 · 21 days

Text

Iniciando mi investigación

Yo elegí un dataset de la plataforma kaggle, el dataset corresponde a la resistencia a la compresión del hormigón. Las variables del dataset por las que encontré interés son: el tipo de componente, el tiempo, y la resistencia a la compresión.

Pregunta de investigación:

¿Cómo influyen las proporciones de los componentes de una mezcla de hormigón en la resistencia a la compresión de este, considerando un rango de edad de 1 a 365 días?

Hipótesis:

Es posible desarrollar un modelo predictivo preciso para la resistencia a la compresión del hormigón a partir de las proporciones de los componentes y la edad.

Revisión bibliográfica:

Uso de las Redes Neuronales Artificiales en el Modelado del Ensayo de Resistencia a Compresión de Concreto de Construcción según la Norma ASTM C39/C 39M

Este texto propone dos modelos de redes neuronales artificiales para predecir la resistencia a la compresión del concreto luego del curado. La resistencia a la compresión es una variable clave en el control de calidad del concreto, pero las pruebas para medirla toman tiempo. Estos modelos matemáticos buscan predecir los resultados de forma inmediata tras el curado, eliminando la espera. Con un coeficiente de correlación superior a 0.9, los modelos permiten reducir el tiempo necesario para obtener los resultados de las pruebas de resistencia a la compresión.

Acuña, Luis & Torre, Ana & Moromi, Isabel & Garcia Fernández, Francisco. (2013). Uso de las Redes Neuronales Artificiales en el Modelado del Ensayo de Resistencia a Compresión de Concreto de Construcción según la Norma ASTM C39/C 39M. Información tecnológica. 25. 03-12. 10.4067/S0718-07642014000400002.

Predicción basada en redes neuronales de la resistencia a compresión a los 7 días de los UHPC incorporando SCM

Por ello, el estudio propone un método basado en redes neuronales artificiales (ANN) para predecir la resistencia a la compresión del UHPC a los siete días. Esta red considera la incorporación de diversos materiales SCM como cenizas volantes, escoria de alto horno molida, polvo de vidrio reciclado, ceniza de cáscara de arroz, residuos de catalizador de craqueo catalítico fluido, metacaolín, caliza en polvo y cargas minerales como polvo de cuarzo.

Matéria (Rio J.) 26 (04) • 2021 • https://doi.org/10.1590/S1517-707620210004.1380

Concreto de alto rendimiento, predicción de su resistencia a la compresión mediante redes neuronales artificiales

En este estudio, se propone el uso de redes neuronales artificiales (RNA) para pronosticar la resistencia a compresión del CAR. Las RNA se entrenaron con datos de fabricación del CAR y se transformaron en funciones matemáticas que aproximan los valores esperados de la resistencia. Se obtuvieron diversas RNA con correlaciones entre la respuesta y el valor esperado que varían entre 0.86 y 0.91.

Acuña Pinaud, Luis & Haro, Pedro & Moromi, Isabel & Torre, Ana & Garcia Fernández, Francisco. (2018). Concreto de alto rendimiento, predicción de su resistencia a la compresión mediante redes neuronales artificiales. Revista Cientifica TECNIA. 27. 51. 10.21754/tecnia.v27i1.125.

2 notes · View notes

hacemos-lo-correcto777 · 10 months

Text

La inteligencia artificial abarca una amplia gama de enfoques y técnicas, que incluyen:

Aprendizaje automático (Machine Learning): Es una parte clave de la IA que implica la capacidad de las máquinas para aprender y mejorar a partir de la experiencia. Los algoritmos de aprendizaje automático permiten a las computadoras identificar patrones en los datos y hacer predicciones o tomar decisiones basadas en esa información.

Redes neuronales artificiales: Estas estructuras están inspiradas en las redes de neuronas en el cerebro humano y son utilizadas para realizar tareas como reconocimiento de patrones, procesamiento de lenguaje natural y visión por computadora.

Procesamiento de lenguaje natural: Se centra en permitir a las máquinas comprender, interpretar y generar lenguaje humano. Esto se utiliza en aplicaciones como chatbots, traducción automática y análisis de sentimientos.

Robótica: La IA se aplica para desarrollar sistemas robóticos capaces de interactuar con el entorno y realizar tareas físicas y cognitivas.

Visión por computadora: Consiste en permitir a las máquinas comprender e interpretar imágenes y videos, lo que es fundamental para aplicaciones como reconocimiento facial, vehículos autónomos y diagnóstico médico.

Razonamiento y toma de decisiones: Se desarrollan sistemas que pueden tomar decisiones basadas en datos y reglas predefinidas.

11 notes · View notes

callmeanxietygirl · 1 year

Text

Geoffrey Hinton, considerado como uno de los “padrinos” de la inteligencia artificial, se arrepiente de haber ayudado a desarrollar esta tecnología.

Este científico de computación de 75 años decidió retirarse de Google y alertar sobre los riesgos que ve en la inteligencia artificial.

“De hecho, dejé (Google) para poder hablar de los peligros de la IA sin considerar cómo impactará esto a Google. Google ha actuado muy responsablemente”, le dijo a The New York Times.

Hinton, quien también es psicólogo cognitivo, pasó décadas de su carrera realizando investigación y trabajos pioneros sobre deep learning y redes neuronales, que sirven como base para la inteligencia artificial.

“Me consuelo con la excusa habitual: si no hubiera sido yo, alguien más lo habría hecho”.

A medida que la tecnología evolucionó, el científico empezó a preocuparse por riesgos potenciales.

Él cree que el desarrollo acelerado de IA debe ser controlado y teme que la tecnología caiga en manos de personas con malas intenciones.

Pronto, dice Hinton, la inteligencia artificial puede representar un riesgo para los empleos, también preocupa que puede inundar internet con desinformación, pero en algún punto también podría ser un peligro para la humanidad.

"Llegué a la conclusión de que el tipo de inteligencia que estamos desarrollando es muy diferente de la inteligencia que tenemos. Ahora mismo, no son más inteligentes que nosotros, hasta donde puedo decir. Pero pienso que pronto podrían serlo”.

¿Ves la IA como un peligro potencial?

3 notes · View notes

robertbcoach · 1 year

Text

👽💥⛔️Ex Científico DARPA habla del Proyecto Blue Beam: Robert Duncan, revela que el ejército norteamericano es capaz de simular ovnis, orbes de luz e incluso sonido (la voz de Dios), a base de "excitar eléctricamente, con armas de energía, los electrones del oxígeno y el nitrógeno de la atmósfera…" Robert Duncan ha trabajado en proyectos para DARPA, la CIA, la Armada y el Ejército. Estudio en Harvard y el MIT con un enfoque en ciencias médicas, ingeniería, informática y, más específicamente, optimizaciones de algoritmos genéticos de redes neuronales. Entrevista completa Ingles: https://youtu.be/T501LHx0R_Q

#ovni #ufo #conspiracy

2 notes · View notes

infacundia · 2 years

Text

cuando el horizonte le gana al vértice

más chica o más grande es la ciudad desde donde se la mire ~no desde una planta baja, maceta de tierra endurecida, o desde un séptimo piso, sino desde el centro o desde la periferia. la ciudad se agiganta en sus bordes ~pierde la potencia que se activa en su núcleo.

sin embargo, así como la policía es el crimen organizado y viceversa, en todo el diámetro asfaltado o empedrado se derrama lo mismo ~un grabado de humanidad repetido, pequeñas formas en que se expresa la explotación de una clase sobre la otra y cobra cuerpo ~arterias eléctricas, redes neuronales digitales, flujos de trabajo vivo nutriendo las secreciones de un organismo abstracto y podrido. solo el malvón precario, aguantando desperdigado entre las ruinas ebrias y la adversidad siempre nuestra del derrumbe, se reserva un instante de belleza.

5 notes · View notes

angelhernandezbravo · 3 days

Text

Inteligencia Artificial Generativa

Arthur C., Clark, dijo la famosa frase de que cualquier tecnología suficientemente avanzada es indistinguible de la magia.

Y quizás, la primera vez que jugaste con la IA generativa, evocó una sensación de magia.

De repente, por primera vez en nuestra historia, tenemos una tecnología que puede hablar nuestros idiomas, entender nuestras solicitudes y producir resultados totalmente novedosos.

La IA puede escribir poesía y dibujar imágenes de otro mundo. Puede escribir código. Puede sorprendernos y deleitarnos con un chiste original o una composición musical.

Puede crear.

Y un acto de creación a menudo inspira asombro. Pero la IA no es magia, es matemática y ciencia. Y no fue repentino. Estas experiencias se han estado gestando durante décadas.

La IA afectará a todos los aspectos de nuestras vidas, cambiará el mundo.

Pero cómo cambiará el mundo depende de nosotros, de todos nosotros.

Vamos a desmitificar la IA, empecemos por el principio.

La gente ha estado especulando sobre la posibilidad de que las máquinas algún día piensen desde finales del siglo XIX, pero la idea realmente se arraigó con el artículo fundamental de Alan Turing en 1950.

Los historiadores llamaron a Turing el padre de la IA. Teorizó que podríamos crear ordenadores que pudieran jugar al ajedrez, que superarían a los jugadores humanos, que podríamos hacer que dominaran el lenguaje natural.

Teorizó que las máquinas eventualmente pensarían.

Hemos visto y participado en la consecución de muchos de los hitos que Turing identificó en el camino hacia una máquina de pensar, como el ajedrez con sistemas de debate, el concurso de TV Jeopardy y el ajedrez (IBM Deep Blue).

Pero Turing fue solo el principio. Si el artículo de Turing de 1950 fue la chispa, solo seis años después, tuvimos el Big Bang, el taller de Dartmouth.

Un par de jóvenes académicos se reunieron con un par de científicos de alto nivel de Bell Labs e IBM. Y propuso un taller de verano extendido con solo un puñado de personas importantes en campos adyacentes para considerar intensamente la inteligencia artificial.

Así es como se acuñó la frase inteligencia artificial, y marca el punto en el que la IA se estableció como un campo de investigación. Expusieron con gran detalle muchos de los desafíos para los que hemos estado trabajando todos estos años.

Se han desarrollado máquinas que puedan pensar, redes neuronales, aprendizaje autodirigido, creatividad y más, todo lo cual sigue siendo relevante en la actualidad.

Para ponerlo en perspectiva, esto fue en 1956, el mismo año en que la invención del transistor ganó el Premio Nobel.

Ahora, podemos tener más de 100 mil millones de transistores en una GPU y bancos y bancos de GPU interconectadas para proporcionar la potencia de cálculo necesaria para crear y ejecutar funciones de IA generativas. Durante todos estos años, las teorías, técnicas e ideas de la IA se han desarrollado en paralelo con los avances en el hardware, lo que se tradujo en reducciones drásticas en los costos de procesamiento y almacenamiento, y todas convergen ahora para hacer que la IA generativa sea real y práctica.

Sin embargo, quiero hacer una observación crítica. No se trata solo de hardware potente y algoritmos inteligentes. El tercer ingrediente, y quizás el más importante, especialmente cuando se trata de los negocios concretos, son los datos. No se puede hablar de IA generativa sin hablar de datos.

Es la tercera pata del taburete de la IA: modelar la arquitectura, además de la computación y los datos.

Seguro que has oído hablar de los grandes modelos lingüísticos, o LLM, que están impulsando la IA generativa; ¿qué son? .

En un nivel básico, son una nueva forma de representar el lenguaje en un espacio de gran dimensión con una gran cantidad de parámetros, una representación que se crea al entrenar cantidades masivas de texto.

Desde esa perspectiva, gran parte de la historia de la informática ha consistido en encontrar nuevas formas de representar datos y extraer valor de ellos.

Colocamos los datos en tablas, filas de empleados o clientes y columnas de atributos en una base de datos. Esto es ideal para cosas como el procesamiento de transacciones o la emisión de cheques para pagos a personas.

Luego empezamos a representar datos con gráficos. Empezamos a ver relaciones entre los puntos de datos. Esta persona, este negocio o este lugar está conectado con estas otras personas , negocios y lugares.

Los datos representados de esta manera comienzan a revelar patrones, y podemos mapear una red social o detectar compras anómalas para detectar fraudes con tarjetas de crédito.

Ahora, con modelos de lenguaje grandes, hablamos de muchos datos y los representamos en redes neuronales que simulan una versión abstracta de las células cerebrales. Capas y capas de conexiones, con decenas de miles de millones o cientos de miles de millones, incluso billones de parámetros.

Y de repente, puedes empezar a hacer cosas fascinantes. Puede descubrir patrones tan detallados que puede predecir las relaciones con mucha confianza. Puede predecir que lo más probable es que esta palabra esté relacionada con la siguiente palabra. Lo más probable es que estas dos palabras vayan seguidas de una tercera palabra específica, que se acumule, reevalúe y prediga una y otra vez hasta que se escriba algo nuevo. Se crea o se genera algo nuevo, eso es la IA generativa.

La capacidad de analizar los datos y descubrir relaciones y predecir la probabilidad de secuencias con la suficiente confianza como para crear o generar algo que no existía antes.

Texto, imágenes, sonidos, cualquier dato que pueda representarse en el modelo. Antes podíamos hacer una versión limitada de esto con el aprendizaje profundo, que supuso un hito de la IA por derecho propio.

Con el aprendizaje profundo, empezamos a representar una enorme cantidad de datos mediante redes neuronales muy grandes con muchas capas.

Pero hasta hace poco, gran parte del entrenamiento se realizaba con datos anotados, datos que los humanos etiquetaban manualmente. A esto lo llamamos aprendizaje supervisado, y es caro y lleva mucho tiempo, por lo que solo las grandes instituciones o empresas hacían ese trabajo y se hacía para tareas específicas.

Sin embargo, alrededor de 2017, vimos un nuevo enfoque, impulsado por una arquitectura llamada "transformers", para llevar a cabo una forma de aprendizaje llamada aprendizaje autosupervisado. En este enfoque, un modelo se entrena con una gran cantidad de datos sin etiquetar enmascarando ciertas secciones del texto, palabras, oraciones, etc., y pidiéndole al modelo que complete esas palabras enmascaradas.

Este asombroso proceso, cuando se realiza a gran escala, da como resultado una representación poderosa que denominamos modelo de lenguaje grande.

En lugar de casos de uso y áreas de especialización imitados, podrías empezar a tener algo más amplio. Básicamente, estos LLM podrían capacitarse en enormes volúmenes de datos de Internet y adquirir un conjunto de capacidades de lenguaje natural similares a las humanas.

La autosupervisión a escala, combinada con datos y cálculos masivos, nos brindan representaciones que son generalizables y adaptables. Estas representaciones se denominan modelos básicos, redes neuronales a gran escala que se entrenan mediante la autosupervisión y luego se adaptan a una amplia gama de tareas posteriores.

Esto significa que puede tomar un modelo grande y previamente entrenado, idealmente entrenado con datos confiables y específicos de la industria, y agregar su conocimiento institucional, empresarial o particular para ajustar el modelo a fin de que destaque en sus casos de uso específicos.

Termina con algo que está hecho a la medida, pero que también es bastante eficiente y mucho más rápido de implementar.

La idea actual suele ser que se puede aplicar esto al lenguaje, pero eso suscita una pregunta.

¿Qué es un idioma?

Las señales de un equipo industrial hablan con usted, los clics de un usuario que navega por un sitio web, el código del software, la química y las representaciones esquemáticas de los productos químicos. Si entrecerra los ojos, todo empieza a parecerse a un idioma que se puede descifrar y entender.

La IA puede especializarse para hacer todo tipo de cosas que aumenten la productividad en cualquiera de esos lenguajes. Esto significa que la IA puede extenderse horizontalmente a lo largo de su empresa y abarcar los procesos de recursos humanos, el servicio al cliente y el autoservicio, la ciberseguridad, la escritura de código software, la modernización de aplicaciones y muchas otras cosas.

Con todos los avances logrados en los últimos años, la ambición de la década de 1950 ha cerrado el círculo. Los modelos actuales no constituyen una verdadera inteligencia general, pero algunos de ellos pueden pasar la prueba de Turing.

Entonces, ¿qué significa para todos nosotros? Algunas personas se encuentran con la IA generativa y piensan que estamos en los albores de una era brillante y utópica, mientras que otras piensan que este es el preludio de un misterio distópico. Desde el punto de vista científico, debe tenerse un punto de vista moderado. Tanto el optimismo como la ansiedad son válidos, y nos hemos hecho las mismas preguntas en todos los hitos importantes de la innovación desde la revolución industrial en adelante. La IA no solo tiene que ver con el mundo digital, sino también con el mundo físico aplicado correctamente.

Imagínese lo que la IA puede hacer por el ritmo de los descubrimientos y la innovación, lo que puede hacer por el descubrimiento de nuevos materiales, por la medicina, por la energía, por el clima y por tantos de los desafíos apremiantes a los que nos enfrentamos como especie.

En última instancia, nuestro éxito depende de cómo abordemos la IA. Recuerde la primera vez que oíste hablar de la IA generativa. Es una frase que realmente pasó a formar parte de la conversación pública a finales de 2022. Hemos visto nuevos modelos, modelos evolucionados y una explosión de modelos abiertos.

La IA generativa ha pasado de ser una novedad fascinante a convertirse en un nuevo imperativo empresarial en menos de un año. Y todos los días hay noticias de un nuevo caso de uso o aplicación.

Hay un crecimiento tan rápido que se puede predecir exactamente dónde estaremos dentro de diez años o incluso dentro de diez meses. Pero sí sé que querría participar activamente en la configuración de ese viaje.

El futuro de la IA no son uno o dos modelos increíbles para hacer de todo para todos, sino que es multimodal. Debe democratizarse, aprovechando la energía y la transparencia de la ciencia abierta y la IA de código abierto, para que todos podamos opinar sobre qué es la IA, qué hace, cómo se usa y cómo afecta a la sociedad.

Aquí puede decidir qué puede hacer la IA por usetd y cómo se integra con su negocio. Es hora de empezar a hacer planes para poner en práctica la IA de forma eficaz, segura y responsable. Podemos entresacar cuatro consejos principales.

En primer lugar, si desea proteger sus datos, sus datos y las representaciones de esos datos, que, como acabamos de explicar,

son lo mas importante de los modelos de IA, será su ventaja competitiva. No se puede subcontratar eso (outsorcing), protéjalo.

En segundo lugar, debe asegurarse de adoptar los principios de transparencia y confianza, de modo que pueda comprender y explicar en la medida de lo posible las decisiones o recomendaciones de la IA.

En tercer lugar, debe asegurarse de que la IA d su negocio se implemente de manera ética, de que sus modelos estén capacitados con datos de calidad a los que se accede legalmente.

Esos datos deben ser precisos y relevantes, pero también deben controlar los prejuicios, la incitación al odio y otros elementos tóxicos.

Y por último, no seamos pasajeros simplemente. Necesitamos dotarnos de plataformas y procesos para controlar el destino de su IA. No es necesario convertirse en expertos en IA, pero cada empresario, cada político, cada regulador, todo el mundo debe tener una base desde la que tomar decisiones informadas sobre dónde, cuándo y cómo aplicar esta nueva tecnología para no ser solo un simple usuario de IA y convertirte en un creador de valor para, y con, la IA.

#Inteligencia Artificial Generativa

0 notes