Publicación de Impact Social Cup

¿Qué es la hipótesis de ticket de lotería? Sí, esta vez les comparto un poco de teoría que es muy útil para cuando usen sus redes neuronales. En simple, es cuando una red neuronal pequeña se encuentra dentro de una grande y el modelo se puede hacer mucho más sencillo. A veces lo que ocurre es que la data e incluso tus modelos tiene lo que le llaman en inglés "sparseness", donde existe mucha información que la verdad que no aporta mucho. En redes neuronales puede ser que tengas mucha data de este tipo e incluso hagas una red mucho más compleja de lo que realmente se necesita (ahí puede haber un peligro de overfitting obviamente). Así, puede ser que dentro de tu data encuentres una red neuronal que está "embebida" dentro de la red grande y que hace casi toda la predicción del modelo total. Asi, no tienes por qué tener un modelo tan complejo sino más hacer prunning de tu modelo y simplificarlo. Mientras más simple es el modelo también será más fácil de explicar al negocio entonces siempre es importante hacer un adecuado balance entre complejidad e interpretabilidad. Buena Viernes! Y aqui les dejo el artículo original! Calkulaba

Uno de los elementos diferenciadores de Meep es nuestro algoritmo de desarrollo propio que, mediante un #planificadorderutas, permite la combinación de varios modos de transporte en un mismo viaje, creando así rutas inexploradas. 🗺️🚶♂️🚲 Pero, ¿𝐜𝐨́𝐦𝐨 𝐟𝐮𝐧𝐜𝐢𝐨𝐧𝐚 𝐞𝐱𝐚𝐜𝐭𝐚𝐦𝐞𝐧𝐭𝐞 𝐞𝐥 𝐚𝐥𝐠𝐨𝐫𝐢𝐭𝐦𝐨 𝐝𝐞 𝐌𝐞𝐞𝐩? Quién mejor para contarlo que la persona que lideró su desarrollo, Borja Acero Fernandez. #movilidadconectada #mobilityasaservice #movilidadsostenible #maas

En nuestro cuestionario de esta semana, queremos que pongas a pruebas tus conocimientos sobre el impacto que tienen en tu vida estas innovaciones

Seguimos profundizando en el proyecto #Strawberry de OpenAI. ¿Qué pasa con las #CADENAS de #PENSAMIENTO? ¿son el origen de ese supuesto "RAZONAR"? 🤔 En mi publicación anterior, os comenté mi idea de donde o1-preview podía ser diferente, os hablé de las diferentes formas del #ENRUTADOR en los Mixture of Experts (#MoE). Sin embargo, es importante aclarar que, aunque a veces hablamos de que las IA pueden "pensar" o "razonar", en realidad no lo hacen. Nos acercamos a técnicas algorítmicas que simulan procesos al razonamiento humano. Y una de estas técnicas es la Cadena de Pensamiento (Chain of Thought, CoT). La #CoT anima al modelo a desglosar su proceso de razonamiento en pasos intermedios claros y explícitos antes de llegar a una solución final. En lugar de saltar directamente a la respuesta, el modelo genera una secuencia de pensamientos o razonamientos que conducen a la conclusión. Esto no solo mejora la precisión de las respuestas del modelo, sino que también hace que el proceso sea más transparente y comprensible para nosotros. Sin embargo, este enfoque sigue lo que llamamos el Razonamiento Directo (RD), donde se construyen cadenas lógicas desde los hechos dados hasta el resultado final. El problema es que no todos los problemas pueden resolverse de esta manera lineal y directa. Aquí es donde entra en juego el Razonamiento Indirecto (RI) y donde OpenAI se ha podido servir de la investigación titulada “Large Language Models as an Indirect Reasoner”, la cual introdujo un método de RI para los modelos de lenguaje, utilizando la lógica de los contrapositivos y contradicciones para mejorar el razonamiento en tareas complejas. ✍ https://lnkd.in/eRVgRdma Imaginad que estáis tratando de resolver un laberinto. El enfoque de RD sería intentar ir del punto A al punto B por el camino más recto posible, lo cual puede ser complicado si hay muchos obstáculos o callejones sin salida. El RI, en este contexto, sería como utilizar pistas sobre qué caminos no llevan a la salida para encontrar rutas alternativas. Es decir, al saber que ciertos caminos llevan a un callejón sin salida, los evitamos y nos centramos en explorar otros. Este método no solo nos ayuda a encontrar la salida más eficientemente, sino que también nos permite entender mejor la estructura del laberinto. ↩ Experimentos realizados con modelos como #Gemini-Pro demuestran que el método de RI mejora notablemente el desempeño general de los modelos en tareas comunes. Además, cuando se combina el RI con el RD, el rendimiento supera a los métodos que utilizan solo uno de los enfoques. ¿Puede ser este otro de los pilares de o1-preview? . Cogerlo con cautela que vuelve a ser una opinión 😉

En un mundo donde los algoritmos parecen tener la última palabra, me pregunto: ¿pones en el centro a tus clientes o al algoritmo? Si callo, reviento. Cada vez que he pasado por aquí en los últimos días y de soslayo he leído algún contenido sobre los cambios en el algoritmo y cómo hacer contorsiones para adaptarnos a él, me han entrado retortijones mentales por no poder digerir la idea. ¿Nos obsesionamos con descifrar el último ajuste de los algoritmos, como si fueran el secreto para el éxito y bienestar personal?. En esta carrera, ¿por casualidad estamos olvidando a quién y cómo realmente deberíamos estar sirviendo? Centrar tu estrategia en complacer al algoritmo es como preparar una cena elegante sólo para impresionar al crítico gastronómico, mientras olvidas que tus invitados, tus verdaderos clientes, son los que se sientan a la mesa todos los días. 𝐂𝐨𝐧𝐬𝐢𝐝𝐞𝐫𝐚 𝐞𝐬𝐭𝐨: la próxima vez que te encuentres ajustando tu contenido y dejando de lado tu integridad para seguir la última tendencia algorítmica, pregúntate: ¿estoy cocinando para el crítico o para mis comensales? Y si te encuentras debatiéndolo demasiado, quizás sea el momento de probar un nuevo plato. Después de todo, a casi nadie le gusta la comida recalentada. En este momento que escribo sobre el asunto en cuestión, me siento: the contrarian thinker. Soy Pilar Beroë_ la Estratega de crecimiento & Socia de resultados comprometida con impulsar a empresarios y emprendedores digitales a alcanzar su verdadero potencial. La pregunta es ¿cómo? Descúbrelo en mi Acerca de y si tienes curiosidad, conoce mi trayectoria profesional en el perfil. 「 𝐩𝐨𝐰𝐞𝐫𝐢𝐧𝐠 𝐛𝐮𝐬𝐢𝐧𝐞𝐬𝐬 & 𝐩𝐞𝐨𝐩𝐥𝐞 」

Amiga de unos, enemigo público número 1 para otros Hoy hablo de tecnología. ¿De qué tecnología? De todas y de ninguna a la misma vez. Estamos en pleno 2024. Siglo XXI. En la época más tecnológica nunca antes conocida, y aun así, a las puertas de una curva exponencial tecnológica. Lo de ChatGPT en unos años te parecerá un juego de niños. Sin embargo, hay muchas personas, y lo que es peor, empresas, que aún ven la tecnología como algo pasajero, o que no es para ellos. Los reconocerás por la frase "esto se ha hecho así, de toda la vida". Ya sea en la vida personal, en la empresa, o en el aspecto que quieras imaginar, la tecnología es tu amiga, no tu enemiga. Hace años, automatizar procesos era una ventaja competitiva; hoy en día es una necesidad. Te pondré un ejemplo real. En una de las empresas para las que trabajo, tenía como una de mis tareas realizar el cálculo de los costes de producción, y en función de ello, establecer precios de venta para cada producto. Hasta aquí bien. ¿Cómo querían que lo hiciera? Como toda la vida: Calcular los costes en un excel, utilizando los números que alguien te da "a viva voz". Con el error que esto puede conllevar, todos somos humanos. Una vez calculado: imprime un pdf y reparte el tarifario a todos los comerciales... y hazlo mensualmente. A mí, que me encantan los animales, lo de tener que utilizar palomas mensajeras no me terminaba de convencer. ¿Qué hice? Meternos en el siglo XXI. Primero, conectar el ERP de la empresa a una base de datos en Excel (o en lo que tu prefieras). Eliminamos los datos "de viva voz". Segundo, conectar esos datos a una hoja de cálculo para hallar los costes de fabricación y establecer precios de venta. Easy. Finalmente, conectar esta hoja a una App. Sin necesidad de programar. Existen muchas para esto, utilicé Google Sheets. Finalmente, distribuí la aplicación a los comerciales. Et voilà mon amie. El trabajo mensual, tedioso, aburrido... ahora estaba automatizado (solo hay que dar a un botón para actualizar) y exacto. Además, pude incluir toda la documentación técnica en la misma app. Correos que me ahorraba. ¿Coste? 0 euros y 4 días de trabajo. "Pero Eduardo, tu ya tenías el conocimiento". No, lo obtuve buscando, como todo en la vida. Como resultado: ahora somos más competitivos, aumentamos margen, ganamos efectividad. Gracias a la tecnología. Y espera que metamos IA. "¿Y toda esta historia abuelo cebolleta?" Adaptarse o morir. Y tú, ¿cómo usas la tecnología en tu empresa? Dame ideas. Hoy suena: "Technologic" - Daft Punk

¿Cuál es tu Ladrón de Tiempo Número Uno que la IA Podría Corregir? Haz este QUIZ GRATUITO de 60" ¿Cuál es tu Ladrón de Tiempo Número Uno que la IA Podría Corregir? En primer comentario el link #gestiondeltiempo #NOEXISTE_lagestiondeltiempo

Cuando más notable sea un dato, más probabilidad de esté mal.  ¿Ves personas en LinkedIn que continuamente publican datos que parecen sorprendentes? Pues te voy a descubrir algo: Probablemente o estén mal o estén manipulando los datos.  La ley de Twyman asevera precisamente esto. Y es una ley muy importante en la investigación científica.  Sin embargo, podemos aprender mucho si la aplicamos a nuestro mundo. Puedes leer el artículo en mi blog. 

Cuando más notable sea un dato, más probabilidad de esté mal.  ¿Ves personas en LinkedIn que continuamente publican datos que parecen sorprendentes? Pues te voy a descubrir algo: Probablemente o estén mal o estén manipulando los datos.  La ley de Twyman asevera precisamente esto. Y es una ley muy importante en la investigación científica.  Sin embargo, podemos aprender mucho si la aplicamos a nuestro mundo. Puedes leer el artículo en mi blog. 

Varias empresas ya están evolucionando sus primeros experimientos y casos de uso de IA Generativa, de asistentes y gestión de conocimiento, a casos de uso más sofisticados, que incluyen elementos de reflexión y planificación. Que es esto? El psicólogo Daniel Kahneman publicó en 2011 el libro Thinking, Fast and Slow. La tesis principal es una diferenciación entre 2 modos de pensamiento humano: El "Sistema 1" es rápido, instintivo y emocional; el "Sistema 2" es más lento, reflexivo y lógico. Con muchas salvedades es posible aproximar los primeros usos de LLMs al Sistema 1, mientras que hoy se empiezan a ver patrones que se acercan a pensamiento tipo Sistema 2. Algunos métodos: ■ Reflexión: Ante una pregunta, un 1er LLM genera un respuesta, y un 2o LLM se "prompetea" para jugar el rol de profesor y dar crítica constructiva, esta crítica realimenta al primer LLM hasta dar con una mejor respuesta. ■ Enraizamiento: Un 1er LLM propone una respuesta, y un 2o LLM se promptea para criticar y exigir referencias de cada afirmación, y enumerar los elementos vagos de la respuesta. Antes esto el agente deberá navegar fuentes externas (wikipedia p.ej), para producir una mejor respuesta. ■ Planificación: Un LLM se promptea para no responder la pregunta, sino para razonar y generar un listado de tareas para construir la respuesta, esto puede incluir reflexión, enraizamiento, llamada a APIs externas, ejecución de código, entre otros. Todos estos inputs serán utilizados por un segundo LLM para producir una respuesta de mayor confiabilidad. Comparto entrevista de hoy en Emol TV, en que hablamos de este tema y de claves para la adopción de IA Generativa en empresas. Luis M., Beatriz Carmona, Beatriz Sanz Saiz, Emilio Jiménez, Ken Priyadarshi, Luis Beltran, Patricia Patiño, Claudia Gómez, Marcelo Zanotti, Catalina García, Alec Dickinson, Tomás Hasbún