Programación, Fórmula 1, Data Science y Economía — traducido y analizado automáticamente por IA local, con las tasas del dólar y el euro en República Dominicana.
Cuando comencé a construir mi pipeline de HL7 a FHIR de maternidad, mi primera intuición fue hacer todo en Python. Parsear el mensaje HL7, mapear los campos, validar la recursos FHIR, persistirlo, todo en un servicio FastAPI único. Era limpio. Era simple. Era incorrecto. Mi arquitectura inicial parecía así: Hospital System --MLLP--> Script de Python --> Servicio de FHIR HAPI Utilicé python-hl7 para dividir los mensajes en | y contar las posiciones de los campos. Para un mensaje ADT^A01 (admisión del paciente) único, funcionó bien. Podía extraer el nombre del paciente desde PID-5 , la MRN desde PID-3 , el género desde PID-8 y construir un recurso FHIR de paciente. Luego intenté un flujo de trabajo real-ish de maternidad (admisión, orden y conjunto de vitales) y las cosas se derrumbaron rápidamente. Cinco problemas que cambiaron mi mente: 1. MLLP No es HTTP Los sistemas hospitalarios no envían HL7 por HTTP. Envían por MLLP (Protocolo de Capa Básica con especificaciones mínimas), un protocolo de socket TCP con bytes de marcarización específicos ( \x0b
El autor de la entrada refleja su error inicial al diseñar una pipeline de HL7 a FHIR utilizando solo Python, lo que llevó a un diseño complejo y poco escalable. Su primera intuición fue utilizar python-hl7 para parsear los mensajes HL7, pero pronto se dio cuenta de que este enfoque tenía varias limitaciones. Una de las principales implicaciones de esta decisión fue la necesidad de mantener una infraestructura adicional, como un servidor TCP para manejar el protocolo MLLP, lo que aumentó significativamente el complejidad del sistema. Además, el autor se dio cuenta de que el parseador HL7 utilizado en Python no podía manejar todos los casos de uso posibles, como componentes separadores y caracteres de escape. En contraste, la solución Mirth Connect es más robusta y escalable, ya que maneja nativamente el protocolo MLLP y su parser HL7 puede manejar todos los casos de uso posibles. Además, Mirth Connect se encarga del routing de mensajes, lo que significa que no es necesario implementar un router de mensajes en Python. Este análisis destaca la importancia de considerar las complejidades y limitaciones de cada tecnología o solución antes de diseñar una pipeline de HL7 a FHIR. La elección de Mirth Connect como solución demuestra la importancia de elegir herramientas y tecnologías que sean adecuadas para el problema en cuestión, en lugar de intentar hacer todo con un solo lenguaje o framework.
Claude Opus 5 ha sido lanzado y Artificial Analysis ha publicado su análisis completo de benchmarks. El título: nuevo modelo líder en trabajo de conocimiento agente, más asequible por tarea que Fable 5. El cambio clave: - Nueva líder agente: 1861 Elo en GDPval-AA v2, con una ventaja de más de 100 puntos sobre Fable 5 y GPT-5.6 Sol. - Primero en código: Opus 5 (xhigh) con Claude Code, que supera el Índice de Análisis Artificial del Código. - 89% en Terminal-Bench v2.1: similar al líder actual, GPT-5.6 Sol. - Costo por tarea: $2.03 a máxima esfuerzo, 26% menos que Fable 5. El cambio de costo-inteligencia: - Opus 5 no solo iguala a Fable 5, sino que supera su rendimiento en agentic workloads y cobra menos. - Fable 5 era la opción "lanzar más" mientras que Opus 5 reframea el trato: mejores resultados agentes y una factura más baja. Lo que hacer: - Correr pipelines de trabajo agente con Opus 5 como nuevo estándar de benchmark. - En Claude Code, ya se beneficia del primer lugar en el
El lanzamiento de Claude Opus 5 marca un hito en el campo de los modelos de lenguaje, ya que se convierte en el nuevo líder en agentic knowledge work y supera a sus competidores en inteligencia artificial. Con una puntuación de 61 en el Índice de Inteligencia Artificial Artificial Analysis, Opus 5 se coloca en la misma posición que Claude Fable 5, pero con un costo per task significativamente menor, alrededor del 26% menos que Fable 5. Esto representa un cambio importante en el panorama de los modelos de lenguaje, ya que Opus 5 ofrece una solución más asequible y eficiente para tareas agentes. Sin embargo, es importante destacar que Opus 5 aún tiene limitaciones en términos de conocimiento fáctico, con un error de 50% en tareas de precisión y recuperación. Por lo tanto, para tareas que requieren una alta precisión y exactitud, Fable 5 sigue siendo la opción preferida. Para los usuarios que están considerando implementar Opus 5 en sus pipelines o que ya están utilizando Claude Code, se recomienda comenzar con esfuerzos altos o extremadamente altos antes de pasar a esfuerzos máximos. Además, para aquellos que buscan modelos costos sensibles, el lanzamiento de Opus 5 ofrece una oportunidad significativa de ahorrar dinero. En general, el lanzamiento de Opus 5 marca un paso importante en la evolución de los modelos de lenguaje y ofrece nuevas posibilidades para las empresas y los desarrolladores que buscan implementar soluciones agentes eficientes y asequibles.
¿Por qué escribir un programa de C sin main()? C es el lenguaje más cercano a la máquina sin escribir código en assembly. El núcleo del sistema operativo, incluso el kernel Linux, está escrito en C y las convenciones del sistema de llamadas de sistema están diseñadas con C en mente. Un programa típico de C comienza con una función main(). Pero ¿de dónde viene esta función? ¿El compilador? El enlace? El sistema operativo? En este tutorial, exploraremos el flujo de compilación completo del lenguaje C. Comenzamos con un mundo normal, pasando por la expansión de macros, la conversión de C a código de máquina y la creación de un ejecutable. El entorno se compone de una máquina Ubuntu 24.04 vanilla con instalado gcc, as, ld y otros herramientas necesarias. **Paso 1: Hola Mundo** Crea un archivo llamado hello.c con el siguiente contenido: ```c #include <stdio.h> int main(void) { printf("Hello, mundo!\n"); return 0; } ``` Compila y ejecuta el programa: ```bash gcc hello.c -o hello ./hello ``` Pregúntate: ¿Cuántos programas se ejecutan cuando ingresas la única comanda gcc? Detrás de esc
El autor de este tutorial se pregunta por qué es necesario aprender a programar en C, especialmente cuando otros lenguajes como Java y Go ofrecen formas más fáciles de comenzar a codificar. La respuesta radica en la proximidad de C con el sistema operativo Linux, ya que muchos programas están escritos en C y compilarlos implica entender cómo funciona el kernel y la interfaz de sistemas. El tutorial sigue paso a paso la compilación de un programa de ejemplo, desde la etapa del preprocesador hasta la creación del ejecutable final. El autor destaca la importancia de entender cada etapa del proceso de compilación, ya que es fundamental para comprender cómo funciona el sistema operativo. La eliminación del método tradicional de programar en C, que implica una función `main()`, puede parecer extraña al principio, pero permite explorar los pasos individuales de la compilación. El tutorial proporciona ejemplos concretos y herramientas como `gcc`, `cpp` y `ld`, para ilustrar cómo se generan los archivos intermedios y el ejecutable final. Este enfoque puede parecer complicado, pero es una forma efectiva de aprender sobre la programación en C y comprender cómo funciona el sistema operativo. Al entender cada paso de la compilación, el lector puede desarrollar una mayor conciencia sobre la complejidad del proceso y cómo se relaciona con la programación en general.
La propiedad CSS `writing-mode` determina si las líneas de texto se alinean horizontal o verticalmente y en qué dirección progresan los bloques y líneas. La propiedad es útil en idiomas como chino, japonés o coreano donde el texto se coloca a menudo verticalmente. En el idioma inglés, es más probable que desees utilizar esta propiedad por razones estéticas, como alinear un título en un bloque de texto. La sintaxis de la propiedad `writing-mode` es la siguiente: * `horizontal-tb`: El texto se coloca horizontalmente con líneas y bloques que avanzan desde arriba hacia abajo. * `vertical-rl`: El texto se coloca verticalmente con líneas y bloques que avanzan desde la derecha hacia la izquierda. * `vertical-lr`: El texto se coloca verticalmente con líneas y bloques que avanzan desde la izquierda hacia la derecha. * `sideways-rl`: El texto se coloca en líneas verticales que avanzan desde la derecha hacia la izquierda, pero sigue las convenciones tipográficas de escritura horizontal. Esto hace que los símbolos se giren lateralmente, enfrentándose hacia la derecha. * `sideways-lr`: El texto se coloca en líneas verticales que avanzan desde la iz
El propietario CSS `writing-mode` determina si las líneas de texto se alinean horizontal o verticalmente y en qué dirección progresan los bloques y líneas. Este propiedad es especialmente útil en idiomas como chino, japonés o coreano, donde el texto a menudo se alinea verticalmente. En el idioma inglés, es más probable que se utilice esta propiedad por razones estéticas, como alinear un título en un bloque de texto. La propiedad `writing-mode` tiene varios valores posibles, cada uno de los cuales combina dos partes: la primera describe si el texto se alinea en líneas horizontales o verticales, mientras que la segunda describe la dirección en la que progresan esas líneas y el contenido de bloques. Los valores más comunes son `horizontal-tb`, `vertical-rl` y `vertical-lr`. El uso de esta propiedad no solo cambia la orientación del texto, sino que también establece las direcciones block e inline que CSS utiliza para armar el contenido. Es importante entender cómo funciona este modelo, ya que puede tener implicaciones significativas en la creación de layouts verticales. La propiedad `writing-mode` es fundamental en la comprensión de cómo funcionan los bloques y líneas en CSS, y su uso puede afectar la forma en que se alinean los elementos y se distribuyen las propiedades como `inline-size`, `block-size`, `margin-inline-start` y `padding-block-end`. En Flexbox y Grid, este modelo es especialmente relevante, ya que permite a los desarrolladores crear layouts más flexibles y adaptables.
Acerca de tres semanas atrás, Leo Laporte y yo grabamos la primera episodio de lo que será un nuevo programa mensual en la red TWiT . El nombre es difícil y casi votamos por él como hicimos para Stack Overflow , pero pronto nos quedamos con Off By One con Jeff Atwood – una broma divertida por muchas razones, pero principalmente porque de esta bromita del programador: No, no lo inventé esta variante de la famosa cita, pero me hubiera gustado. Bueno, lo que sea, aquí está el segundo episodio – gratuito para todos. El programa dura 1h 47m de pura alegría de principio a fin. No negatividad, solo locura de bajo nivel y, por supuesto, diversión obligatoria . Grabamos la siguiente entrega en cuatro días – y hay un transmisión en vivo para los miembros del Club TWiT . (¡Vamos a hacer esto. Si, y sólo si , has visto el todo episodio y te ha gustado lo que has visto ... por primera vez, llenar este formulario , yo cubro tu membresía del Club TWiT durante un año completo para que puedas ver si disfrutas de la programación restante). La página web permanente del programa está en twit.tv/obo : arte de la increíblemente talentosa clay
El nuevo programa "Off By One" de la red TWiT, presentado por Leo Laporte y Jeff Atwood, se centra en conversaciones lúdicas sobre tecnología, historia del código y temas relacionados con el mundo digital. El show busca compartir entusiasmo positivo y compartir felicidad a través de la conexión humana, lo que se refleja en las expresiones faciales, tono de voz y lenguaje corporal de los participantes. Este programa ofrece una perspectiva única sobre la tecnología y su impacto en nuestra sociedad, abordando temas como la justicia económica y la importancia de la cooperación humana en el desarrollo del código. Aunque es un programa divertido y sin negatividad, también plantea preguntas importantes sobre cómo podemos utilizar la tecnología para crear un mundo más justo y equitativo.
Después de temporalmente prohibir contenido relacionado con LLM durante abril y pedirle retroalimentación sobre esa prohibición, hemos decidido poner fin a la prohibición temporal de posts relacionados con el AI. En su lugar, reemplazamos la regla de prueba con una nueva regla que se refiere a nuestra nueva política de AI. En resumen: el contenido relacionado con el AI y los LLM es considerado off-topic, con la sola excepción del contenido técnico profundo sobre implementación. Si busca más detalles, puede leer la política, que está allí para eso. Además, al redactar esa regla, me di cuenta de que las reglas no estaban listadas en el sidebar de la antigua reddit.com, por lo que se ha actualizado. Para aquellos que ven esas reglas por primera vez, todo allí no es nuevo. Estamos cumpliendo con esas reglas lo mejor que podemos desde hace tiempo. Puede hacer clic en el enlace superior para acceder a la página de reglas antiguas de reddit, con mucha información que no se lee bien cuando se comprima en un sidebar.
La comunidad de Reddit ha decidido eliminar la prohibición temporal de contenido relacionado con LLM (Inteligencia Artificial y Lenguaje Natural) que había impuesto desde abril, después de solicitar retroalimentación a los usuarios. La nueva política de AI establece que el contenido sobre este tema es considerado off-topic, con una sola excepción: la información técnica profunda sobre implementaciones. Los usuarios se ven animados a consultar la política completa para obtener más detalles. Es interesante destacar que esta decisión no cambia los reglamentos existentes, que han sido aplicados de manera inconsistente en el pasado. La actualización del sidebar con las nuevas reglas busca mejorar la transparencia y claridad en la aplicación de estas normas.
La primera temporada de Dark Matter se ajustó muy estrechamente a la novela homónima de Blake Crouch, lo que nos hizo estar particularmente interesados en el ordenamiento de otra temporada, ya que hay un terreno narrativo inexplorado. Con Crouch detrás del volante, el autor también es creador, productor ejecutivo, showrunner y escritor, lo que hará que sea como obtener una secuela novelística en forma de serie de televisión, con Joel Edgerton liderando nuevamente a Jason Dessen. La primera temporada vio a Jason cambiarse de vida después de ser secuestrado por un versión de sí mismo que había dedicado su vida a crear el Box, un dispositivo que permite viajar entre dimensiones. Este Jason más intenso comenzó a sentir arrepentimiento por sus decisiones y decidió usar su invención para explorar otras vías. Jason intenta regresar a su timeline original mientras experimenta escenarios de "¿qué pasaría" con Chicago evolucionando en formas tanto idílicas como apocalípticas. Otros personajes incluyen al hijo adolescente de Jason, Charlie; su colega y rival, Ryan; una mujer simpatética del otro mundo de Jason, Amanda; Leighton, quien dirige la compañía secreta donde se construyó el Box; y Blair, un viajero interdimensional. El el
La segunda temporada de la serie "Dark Matter" se prepara para su estreno el 28 de agosto en Apple TV, y como se puede esperar, traerá consigo un nuevo capítulo emocionante en la historia del protagonista Jason Dessen, interpretado por Joel Edgerton. La trama seguirá a Jason y su esposa Daniela (Jennifer Connelly) mientras intentan establecer una vida tranquila después de sus aventuras en el multiverso, pero pronto se verán obligados a enfrentar nuevas y peligrosas fuerzas que amenazan su estabilidad. Mientras tanto, otros personajes como Amanda (Alice Braga), Ryan (Jimmi Simpson) y Blair (Amanda Bruegel) seguirán sus propias historias en busca de encontrar un camino de regreso a su mundo original. La serie también cuenta con el apoyo de una nueva serie de podcast oficial que explora más profundamente la trama, la ciencia detrás del multiverso y el proceso creativo detrás de la serie. Sin embargo, es importante destacar que la serie se basa en un libro de ciencia ficción original de Blake Crouch, quien también es el creador ejecutivo y showrunner de la serie, lo que podría llevar a una interpretación más personal y única del universo de "Dark Matter".
La godessa Laufey llega a PS5 el 16 de febrero. En este próximo instalment del God of War, se jugará como la esposa de Kratos, Laufey, mientras navega por el inframundo de los dioses. Se confirmó durante un panel en San Diego Comic-Con y en las redes sociales de PlayStation que se acerca menos de un año a poder jugar God of War Laufey, que sigue a Laufey después de su muerte en God of War Ragnarok. En lugar de jugar como el protagonista del juego, los jugadores experimentarán la habilidad combatiiva de Laufey, que solo se ha sugerido en juegos anteriores.
La próxima entrega importante de la franquicia God of War, centrada en la esposa de Kratos, Laufey, se estrenará el 16 de febrero del próximo año para PlayStation 5. En esta nueva aventura, los jugadores podrán sumergirse en el después de la muerte de los dioses mientras juegan como Faye, la versión femenina de Laufey. Esta entrega promete ofrecer una experiencia única al jugar a través de las habilidades de combate de Laufey, que hasta ahora solo se han mencionado en juegos anteriores. El anuncio del lanzamiento coincide con un adelanto de gameplay que mostró a Faye despejando a enemigos y utilizando poderes mágicos mientras lucha contra dioses y criaturas inéditas en la franquicia. Aunque aún no se puede agregar God of War Laufey a la lista de deseos, hay varias otras noticias prometedoras para los fanáticos de la franquicia.
La Comisión Europea acusa a TikTok de no proteger adecuadamente la privacidad de cuentas pertenecientes a menores, ya que están visibles al público por defecto. El comisionado para la Protección de la Competencia y el Mercado Europeo, Margrethe Vestager, dijo que "no está satisfecho con las medidas adoptadas por TikTok para proteger la privacidad de los menores".
La Comisión Europea (CE) ha acusado a TikTok de no hacer lo suficiente para garantizar la seguridad y privacidad de cuentas pertenecientes a menores, ya que estas están visibles públicamente por defecto. Los hallazgos recientes pueden llevar a una multa del 6% del ingresos anuales de la plataforma. La CE ha concluido que las políticas de TikTok para cuentas de menores no cumplen con los "estándares de seguridad requeridos" bajo el Acta de Servicios Digitales (DSA). En particular, la comisión señaló que los menores pueden configurar sus cuentas para ser públicas, lo que permite a cualquier usuario de TikTok ver su contenido. Además, el algoritmo actual de la plataforma recomienda contenido de cuentas de usuarios entre 16 y 17 años, lo que puede llevar a que los menores se encuentren con "contactos indeseados", acoso en línea o comportamientos predadores. Estas conclusiones tienen implicaciones importantes para los padres y cuidadores, ya que deben ser conscientes de la posibilidad de que sus hijos sean expuestos a contenido inapropiado. La recomendación de la CE es ajustar los ajustes de defecto de las cuentas de menores para que solo sean visibles a amigos, y evitar recomendar contenido de cuentas de menores en el feed "Para Ti". Esta decisión no es nueva, ya que la CE ha acusado a TikTok de no cumplir con las regulaciones en varias ocasiones. En el Reino Unido, la autoridad regulatoria Ofcom ha señalado que TikTok no es efectiva suficiente para prevenir contenido dañino que llegue a los niños.
El vicepresidente de dispositivos y servicios de Google, Shakil Barkat, casi confirmó en una entrevista con 9to5 Google que el próximo teléfono Pixel costará más que el Pixel 10. Debido a los problemas de suministro de RAM causados por la explosión de centros de datos de datos de inteligencia artificial, el aumento de precio no es una sorpresa completa. Las empresas de Apple a Nintendo, Microsoft a Roku, han aumentado sus precios en respuesta al costo creciente de la memoria.
El vicepresidente de dispositivos y servicios de Google, Shakil Barkat, ha dejado claro en una entrevista con 9to5 Google que el próximo teléfono Pixel costará más que el Pixel 10, lo cual no es sorprendente considerando la situación actual del suministro de RAM debido a la explosión de centros de datos de inteligencia artificial. La crisis de suministro de memoria ha afectado a varias empresas, incluyendo Apple y Nintendo, que han aumentado sus precios en respuesta al aumento de costos. Aunque Google ha trabajado para proteger a sus consumidores de las fluctuaciones del suministro durante tanto tiempo como lo haya hecho posible, Barkat admite que "las economías han cambiado fundamentalmente" y que la empresa no puede evitar el impacto. Esta decisión podría tener implicaciones significativas para los consumidores, quienes podrían ver aumentados sus gastos por teléfonos inteligentes en el futuro inmediato. Es interesante considerar cómo esta decisión refleja las nuevas realidades del mercado y la necesidad de las empresas de adaptarse a los cambios en el sector tecnológico.
Oli Freke es un músico y periodista cuyo trabajo ha aparecido en Sound on Sound , The Quietus y Mixmag . Ha utilizado matemáticas para explorar la potencial melódica de la escala tonal occidental 12-tonos y profundas excursiones sobre efectos plug-ins. También escribió un libro que sigue la evolución del sintetizador desde 1963 hasta 1995, registrando el cambio de analogo a digital y de regreso. Su nuevo proyecto es Beat Gems , una historia visual de máquinas de ritmo de coffee-table publicada por Bjooks .
El músico y periodista Oli Freke ha explorado la melodicidad del escala tonal occidental utilizando matemáticas en publicaciones como Sound on Sound, The Quietus y Mixmag. Además, ha escrito un libro que sigue la evolución del sintetizador desde 1963 hasta 1995, documentando el cambio de analogo a digital y viceversa. Su nuevo proyecto, Beat Gems, es una historia visual de los drum machines presentada por la editorial Bjooks, repleta de fotos impresionantes, datos históricos fascinantes y consejos prácticos para aprovechar al máximo su equipo. Este libro puede ser un valioso recurso para aquellos interesados en la música electrónica y la historia del sonido. Sin embargo, también plantea preguntas sobre la comercialización de la historia musical y la valorización del patrimonio cultural.
Las máquinas de corte inteligentes son un agujero negro y digo eso como alguien que cayó en él. He experimentado con productos Cricut, pero no fue hasta que comencé a revisarlos para el trabajo que estas máquinas de corte se convirtieron en una verdadera obsesión. Hoy en día, paso fin de semana buscando materiales y experimentando con la aplicación de patchwork, incluso compré una máquina de coser usada Brother. Mi despacho de trabajo, que antes decía "trabajador remoto corporativo", ahora está invadido por glitter vinyl y quién sabe cuántos tipos de tijeras (todos para diferentes propósitos, por supuesto). En realidad, esto significa que fui un objetivo fácil cuando Cricut y Siser lanzaron nuevas máquinas de corte inteligentes en mi escritorio. Pronto me di cuenta de que compararlas entre sí no era particularmente útil. Ambas máquinas cortan materiales como vinilo y cartulina, pero resuelven problemas diferentes y están destinadas a consumidores diferentes. Cricut tiene una nueva máquina llamada Explore 5, que cuesta $199 por la máquina sola (o $250 con un paquete que incluye matiz, herramientas y vinilo) y está diseñada para los artesanos más casuales que
La obsesión por las máquinas de corte inteligentes como Cricut y Siser es un fenómeno que ha capturado a muchos entusiastas de la manualidad. Estas máquinas han revolucionado el proceso de creación de objetos personalizados, permitiendo a los usuarios realizar proyectos complejos con facilidad y precisión. Sin embargo, al analizar las características y capacidades de estas máquinas, se puede notar que cada una tiene un propósito específico y es destinada a diferentes tipos de usuarios. La Cricut Explore 5 es ideal para aquellos que buscan crear objetos personalizados de manera casual y rápida, como bookmarks, banners y camisetas. Su diseño sencillo y su sistema de carga "Load and Go" la hacen muy accesible para principiantes. Por otro lado, la Siser Romeo es una máquina más potente y compleja, diseñada para usuarios que requieren mayor precisión y control en sus proyectos, como la producción en masa de objetos con vinilo de calor o la creación de diseños complejos. Es importante destacar que cada máquina tiene sus propias fortalezas y debilidades. La Cricut Explore 5 puede ser un poco más inconstante en su corte, especialmente con materiales como el cartón, mientras que la Siser Romeo es más precisa pero también más costosa. Sin embargo, ambas máquinas ofrecen una gran cantidad de funcionalidades y herramientas para ayudar a los usuarios a crear objetos personalizados de alta calidad. En última instancia, la elección entre estas dos máquinas dependerá del tipo de proyecto que se desee realizar y del nivel de habilidad y experiencia del usuario. Si se busca crear objetos personalizados de manera casual y rápida, la Cricut Explore 5 puede ser la mejor opción. Sin embargo, si se requiere mayor precisión y control en los proyectos, la Siser Romeo es una excelente elección.
Los aficionados al F1 argumentan que Lewis Hamilton "no puede tener una mala suerte" después del penalización en el GP húngaro. Lewis Hamilton, Ferrari Foto: Clive Mason / Getty Images El británico recibió la penalización por impedir a Oscar Piastri de McLaren durante la fase final de la clasificación. Mientras que Hamilton iba bajando la recta principal a una velocidad reducida, no se movió para dejar pasar al piloto australiano. Ferrari confirmó que había advertido a Hamilton sobre el avance de McLaren, pero que las instrucciones fueron compartidas demasiado tarde. Como resultado, Hamilton, quien inicialmente había clasificado segundo, ahora comenzará el GP húngaro desde quinto en la grilla. Mientras que la mayoría de los aficionados coincidieron en que el incidente merecía una penalización, algunos argumentaron que a Hamilton no le puede ir bien. "Esperado pero todavía decepcionante. Si puede estar en el top tres después del primer bucle, aún podría tener una oportunidad de ganar la carrera", comentó un fanático en Reddit. Otros comentarios incluyeron: "Desafortunadamente, eso fue una penalización clara y no había nada que pudiera hacer Lewis, ya que fue un malentendido. A Lewis le va mal últimamente".
Los aficionados al F1 argumentan que Lewis Hamilton "no puede tener una mala suerte" después del GP húngaro con penalización Lewis Hamilton, el siete veces campeón, comenzará la Gran Premio de Hungría desde quinto lugar en la grilla después de recibir una penalización de tres lugares por impedir a Oscar Piastri de McLaren durante la fase final de la clasificación. El británico fue sancionado por no moverse lo suficiente para dejar pasar al australiano mientras se deslizaba por la recta principal a baja velocidad. La mayoría de los aficionados coincidieron en que el incidente merecía una penalización, pero algunos argumentaron que Hamilton "no puede tener una mala suerte". Algunos fanáticos expresaron su frustración y desánimo, como se desprende de comentarios en Reddit: "Es lo que esperábamos, pero todavía es decepcionante. Si puede estar en el podio después del primer bucle, aún podría tener una oportunidad de ganar la carrera", mientras que otro comentó: "Otra semana perdida, esto me está volviendo loco". Otros fanáticos expresaron su apoyo a Hamilton y criticaron la penalización, como se desprende de comentarios adicionales: "Desafortunadamente, eso era una sanción clara y no había nada que pudiera hacer Lewis, ya que fue un malentendido. Lewis no puede tener mala suerte últimamente", mientras que otro comentó: "Sí, es frustrante por todo el mundo; no queremos ver a Lewis caer tres posiciones cuando era tan competitivo, y Oscar ha estado teniendo una mala racha de mala suerte, así que es un resultado perdido para ambos". Además, la actual líder del campeonato, Kimi Antonelli, también recibió una penalización de tres lugares por no reducir la velocidad lo suficiente ante las banderas amarillas.
Carlos Hocevar y Daniel Suárez liderarán el campo hasta la bandera verde, y los tres conductores de Spire Motorsports calificaron dentro de las seis primeras posiciones.
La noticia de que Carson Hocevar y Daniel Suárez liderarán el campo al bandera verde, junto con sus compañeros de equipo en Spire Motorsports, que se han posicionado dentro del top seis, sugiere una gran competitividad entre los equipos en la preparación para el evento. Esta posición destacada puede ser un indicador de la fuerza y la eficiencia de las operaciones de Spire Motorsports, lo cual podría tener implicaciones significativas en la carrera. Para los aficionados a la NASCAR, esta información es particularmente interesante ya que permite anticipar quiénes podrían ser los contendientes más fuertes en el campo. Sin embargo, también es importante considerar que la calificación no siempre refleja el rendimiento final en la pista, por lo que se deberá seguir atentamente cómo evoluciona la situación durante el evento.
Bernd Mayländer revela mejoras en el nuevo coche de seguridad de F1 de Mercedes. La Fórmula 1 ha presentado su nuevo coche de seguridad, el Mercedes-AMG GT 63 PRO 4MATIC+, que reemplaza al AMG GT Black Series utilizado desde 2022. El nuevo modelo cuenta con tracción y estabilidad mejoradas en condiciones húmedas gracias a su sistema de frenos variable. El piloto de coches de seguridad Bernd Mayländer explicó las características del nuevo vehículo, destacando la facilidad de uso de los controles y la información disponible en el interior. El GT 63 PRO 4MATIC+ cuenta con un motor V8 turboalimentado que produce 612 caballos de fuerza, menos que su predecesor. El coche de seguridad es el primero en contar con tracción en todas las ruedas y ofrece una conducción deportiva y segura. Mayländer expresó su entusiasmo por conducir el nuevo vehículo en condiciones reales durante el Gran Premio de Hungría.
La introducción de la nueva seguridad en F1 con el Mercedes-AMG GT 63 PRO 4MATIC+ como su vehículo de seguridad es un paso importante hacia una mayor eficiencia y seguridad en las carreras. El nuevo vehículo cuenta con un sistema de frenos variable que mejora la tracción y estabilidad durante condiciones climáticas adversas, lo que podría reducir el riesgo de accidentes. Sin embargo, también hay preocupaciones sobre la potencia del vehículo, ya que su motor de 4.0 litros produce solo 612 caballos de fuerza en comparación con los 639 de su predecesor. Además, es interesante ver cómo se ha mejorado el interior del vehículo, con pantallas y sistemas de comunicación más avanzados, lo que podría mejorar la eficiencia del equipo de seguridad durante las carreras. Es importante destacar que la seguridad en F1 sigue siendo un tema prioritario, y cualquier mejora en este ámbito es bienvenida.
El Hungaroring resultó ser adecuado para el coche de la Scuderia en 2026, pero como aprendió McLaren con su actualización y Lando Norris creció en confianza, la combinación logró un paso adelante el sábado. La mejora del coche fue posible gracias a la experiencia adquirida por McLaren durante su actualización.
La expectativa era que el Hungaroring fuera un circuito favorito para la Scuderia en su coche de 2026, pero gracias a lo aprendido de su actualización y la creciente confianza de Lando Norris, esta combinación logró hacer un paso adelante el sábado. Aunque McLaren no alcanzó los resultados esperados, este avance demuestra que la estrategia y las mejoras en el equipo están funcionando. Sin embargo, es importante destacar que la competencia en F1 es extremadamente alta y cualquier error puede tener consecuencias significativas. Este resultado también pone de relieve la importancia del trabajo en equipo y la colaboración entre los pilotos y el equipo técnico para lograr el éxito en este deporte tan exigente. La perspectiva crítica aquí es que, aunque McLaren ha avanzado, todavía le falta mucho para alcanzar la cima de la clasificación.
Aston Martin ha ganado un tiempo significativo con su actualización para el GP de Hungría. El equipo había sido lento en los primeros diez Grandes Premios, pero después de aplicar las actualizaciones, Fernando Alonso logró entrar al Q2. Analizamos cómo mucho más rápido es el coche actualizado y cuánto tiempo ha ganado Aston Martin con esta actualización. Aston Martin había sido lento en los primeros diez Grandes Premios, pero después de aplicar las actualizaciones, Fernando Alonso logró entrar al Q2. Analizamos cómo mucho más rápido es el coche actualizado y cuánto tiempo ha ganado Aston Martin con esta actualización. Aston Martin había sido lento en los primeros diez Grandes Premios, pero después de aplicar las actualizaciones, Fernando Alonso logró entrar al Q2. Analizamos cómo mucho más rápido es el coche actualizado y cuánto tiempo ha ganado Aston Martin con esta actualización. Aston Martin había sido lento en los primeros diez Grandes Premios, pero después de aplicar las actualizaciones, Fernando Alonso logró entrar al Q2. Analizamos cómo mucho más rápido es el coche actualizado y cuánto tiempo ha ganado Aston Martin con esta actualización. Aston Martin había sido lento en los primeros diez Grandes Premios, pero
Aston Martin ha ganado un tiempo significativo con su actualización para el Gran Premio de Hungría, lo que permitió a Fernando Alonso alcanzar los límites del Q2. Analizando los datos, podemos determinar que las actualizaciones han mejorado la posición del equipo en comparación con sus rendimientos sin actualizaciones. En los primeros cinco Grandes Premios, Aston Martin estaba 4,028% más lento que el tiempo teórico óptimo de cada circuito, mientras que en los siguientes cinco, esta diferencia disminuyó a 5,311%. Esto sugiere que la equipo físicamente se volvió más lento, lo que respalda la idea de que "de pie es retroceder". Con las actualizaciones aplicadas en Hungría, Alonso logró mejorar su posición en comparación con Lando Norris, ganando 2,036% en un solo Gran Premio. Si consideramos el caso del Gran Premio de Spa, con una diferencia de 5,405% en comparación con Mercedes, las actualizaciones permitirían a Aston Martin alcanzar un tiempo cercano al promedio de los últimos Grandes Premios, lo que sugiere que la equipo podría haber superado la eliminación de Q1. Sin embargo, si hubieran retrasado estas actualizaciones hasta después del verano, es probable que el equipo no haya podido aprovechar su potencial en Hungría y habría quedado atrás en comparación con Mercedes.
El piloto de Mercedes Kimi Antonelli ha sido penalizado con una caída de tres posiciones en la grilla para el Gran Premio de Hungría de Fórmula 1 después de no frenar lo suficiente ante las banderas amarillas. Antonelli había tomado la cuarta posición en la grilla, pero durante su último intento de clasificación, atrapó las banderas amarillas en la última curva, donde Max Verstappen estaba estacionado en el área de estacionamiento después de una volada. A pesar de esto, Antonelli mejoró su tiempo final para mantener la cuarta posición. Sin embargo, los stewards investigaron si Antonelli había levantado lo suficiente para respetar las banderas amarillas locales y determinaron que había solo levantado un poco y era más rápido por la curva que en su intento de clasificación anterior. Por lo tanto, se le aplicó una caída de tres posiciones en la grilla. Además, el piloto de Ferrari Lewis Hamilton también recibió una penalización de tres posiciones en la grilla por impedir a Oscar Piastri en la primera curva, lo que llevó a Piastri a moverse al tercer lugar y a Verstappen a unirse a él en la segunda fila. La decisión de los stewards se basó en el hecho de que Anton
El piloto de Mercedes Kimi Antonelli ha sido sancionado con una caída de tres posiciones en la grilla para el Gran Premio de Hungría de Fórmula 1 después de no frenar lo suficiente ante las banderas amarillas. La decisión del comité de stewards se debió a que Antonelli no redujo lo suficientemente su velocidad en la curva final, donde Red Bull's Max Verstappen estaba estacionado en el área de recupero después de una volada. Aunque Antonelli mejoró su tiempo sectorial finalmente, los stewards consideraron que había solo levantado ligeramente y era más rápido a través de la curva que en su intento anterior de frenar. Esta sanción demuestra la importancia de respetar las banderas amarillas en el circuito para garantizar la seguridad de todos los pilotos. La sentencia del comité de stewards también destaca la necesidad de una mayor transparencia y claridad en las reglas de seguridad, ya que Antonelli podría haber enfrentado una caída de cinco posiciones si no hubiera levantado ligeramente. La sanción también incluye un punto penal en el licencia del piloto, lo que refleja la seriedad con la que se toman estas decisiones. Es interesante destacar que esta sanción puede tener implicaciones significativas para la carrera de Antonelli y su equipo, Mercedes, ya que perderá terreno en la grilla y podrá ser difícil recuperarlo durante el Gran Premio. Además, la falta de respeto a las banderas amarillas puede generar una actitud de desafío hacia las reglas de seguridad, lo que podría tener consecuencias negativas para la carrera del piloto.
Las bases de datos vectoriales están compuestas por tres componentes principales: - embeddings – la representación numérica del corpus - algoritmo de búsqueda y estructura de índice – el algoritmo define la calidad y velocidad de la búsqueda - almacenamiento – cómo se almacena los datos (en memoria, en disco, payload junto con las embeddings, etc.). Ya sea en RAM o en disco, determina los costos y latencia a escala. Las representaciones de embeddings ya están bien definidas y discutidas en muchos artículos, y este artículo se enfocará en los algoritmos de búsqueda, y específicamente en los algoritmos de vecinos más cercanos (ANN). Existen dos enfoques generales para la ejecución de la búsqueda: - Búsqueda exacta – que demuestra los mejores métricas de recuperación aunque no escala bien en términos de latencia - Vecino más cercano aproximado (ANN) – que compromete la calidad de recuperación por la latencia y escalabilidad. La búsqueda exacta es un enfoque simple que recorre todos los registros del índice y calcula la distancia entre el query de búsqueda y los datos existentes. No hay pérdidas relacionadas con ninguna aproximación o generalización, pero a cambio se paga el precio de la latencia y escalabilidad. Es una excelente opción para pequeños í
La búsqueda semántica rápida y eficiente se basa en algoritmos de vecinos más cercanos aproximados (ANN) que permiten una búsqueda rápida y escalable. Los vector databases están compuestos por tres componentes principales: embeddings, algoritmo de búsqueda y estructura de índice, y almacenamiento. Las embeddings son representaciones numéricas del corpus, mientras que el algoritmo de búsqueda define la calidad y velocidad de la búsqueda. Existen dos enfoques para la ejecución de la búsqueda: búsqueda exacta y búsqueda aproximada. La búsqueda exacta es un enfoque simple que compara cada entrada del índice con la consulta de búsqueda, lo que resulta en una alta calidad de recuperación pero no escalabilidad. Por otro lado, la búsqueda aproximada es más eficiente en términos de latencia y escalabilidad, aunque compromete la calidad de recuperación. Entre las opciones de búsqueda aproximada se encuentran algoritmos como HNSW (Hierarchical Navigable Small World) y DiskANN, que utilizan estructuras gráficas para proporcionar una baja latencia de consulta. Sin embargo, cada algoritmo tiene sus propias ventajas y desventajas, lo que hace crucial seleccionar el algoritmo adecuado para cada caso de uso específico. En particular, los algoritmos RAM-based como HNSW son optimizados para almacenar grandes cantidades de datos en memoria, lo que proporciona una baja latencia pero a un costo. Por otro lado, los algoritmos on-disk como DiskANN se optimizan para minimizar el uso de RAM y utilizar el disco para cargar los datos. Es importante tener en cuenta que la elección del algoritmo adecuado depende del tamaño del índice, del tipo de datos y de las necesidades específicas del caso de uso. Además, es posible almacenar estructuras de datos subyacentes tanto en memoria como en disco, pero cada algoritmo está optimizado para un tipo de almacenamiento en particular. En resumen, la búsqueda semántica rápida y eficiente requiere una comprensión profunda de los algoritmos de vecinos más cercanos aproximados y sus trade-offs. La elección del algoritmo adecuado es crucial para garantizar la calidad y velocidad de la búsqueda en diferentes escenarios.
Aquí te dejo la traducción al español: **Semana del KDnuggets (20-24 de julio de 2026)** * **Servidores MCP para el desarrollo agente de alta rendimiento**: La norma Model Context Protocol estándariza la herramientería de agentes, permitiendo la interoperabilidad entre plataformas para tareas como la ejecución de código y la interacción con la web. El desarrollo agente de alta rendimiento requiere integrar servidores especializados, como los de contexto de modelo, automatización de navegador y edición semántica, para mejorar la capacidad real del agente. * **10 newsletters que te mantendrán actualizado en AI**: Las newsletters curadas ofrecen un marco necesario para filtrar el ruido de la AI proporcionando una cobertura alta de señal con múltiples facetas que abarca noticias diarias, investigación técnica profunda, estrategia política y herramientas de construcción esenciales para mantenerse actualizado en un campo que evoluciona rápidamente. * **Cursos gratuitos de Agentic AI**: El curso es una continuación del GenAI Intensive de Google y Kaggle de 2024, que atrajo a más de 140.000 desarrolladores y estableció un récord Guinness por la mayor conferencia virtual de IA virtuales. * **Evaluación de Hallucinación
El Model Context Protocol (MCP) es un estándar que permite la interoperabilidad de las herramientas de desarrollo agente en diferentes plataformas, lo que facilita la integración de servidores especializados para tareas como ejecución de código y interacción con web. Para desarrollar aplicaciones agentes de alta rendimiento, es fundamental seleccionar servidores activamente mantenidos que proporcionen datos estructurados precisos en lugar de confiar en listas obsoletas o generales de servidores. En el ámbito de la inteligencia artificial (IA), las newsletters curadas son una herramienta esencial para filtrar el ruido y obtener una visión general clara de las últimas tendencias y avances en el campo. La colaboración entre Google y Kaggle ha dado lugar a cursos gratuitos como el 5-Día Agentic AI, que ofrece una formación integral sobre agentes específicamente. La evaluación de la "hallucinación de modelos de lenguaje" con GraphEval es un paso crucial para detectar y localizar las fuentes específicas de errores en los outputs de los modelos de lenguaje grandes. Esta herramienta utiliza conocimiento gráfico y inferencia del lenguaje natural para ofrecer diagnósticos explicables de errores. La práctica del "ingeniería de bucle" (loop engineering) se centra en diseñar ciclos autónomos que permiten a los agentes iterar, verificar resultados y adaptarse basándose en retroalimentación ambiental. Este enfoque se enfoca en construir sistemas ejecutivos confiables y auto-corregidos. En cuanto a las herramientas de desarrollo, Claude Code es una alternativa abierta que ofrece un control mejorado sobre los flujos de trabajo agentes mediante harnesses superiores, soporte local para modelos y ecosistemas de integración flexibles. La implementación local del modelo "Mythos Enhanced Coding" con llama.cpp permite la creación de workflows de codificación agente rápidos y autónomos que ejecutan tareas de desarrollo de software complejas sin depender de APIs externas. Para desarrollar aplicaciones agentes efectivas, es fundamental comprender cinco conceptos clave: uso de herramientas, gestión de memoria, planificación, coordinación y evaluación. La secuencia curricular más efectiva para convertirse en un practicante de la IA implica una secuencia de aprendizaje que construye habilidades desde lógica matemática clásica y algoritmos básicos hasta comprender arquitecturas de modelos LLM modernas desde primeros principios utilizando herramientas abiertas. La configuración del proyecto específico de Claude Code es crucial para lograr un desarrollo agente de alta rendimiento, lo que requiere dominar la
La Lattice Boltzmann Method (LBM) simula el flujo de fluidos considerándolo como una distribución estadística de partículas que chocan entre sí. El comportamiento macroscópico (vórtices, gradientes de presión y amortiguación viscosa) surge como consecuencia, no como entrada. La LBM ocupa un lugar genuinamente único en la física computacional, intermedio entre una simulación de dinámicas moleculares y un resolver de Navier-Stokes, operando a escala mesoscópica. En este artículo, derivaré la LBM desde principios, implementarla en aproximadamente 200 líneas de C++ y ejecutarla en el supercomputador MareNostrum 5. Las fuentes completas y una versión simplificada en Python/NumPy se encuentran en GitHub. La LBM reemplaza las ecuaciones de Navier-Stokes intractables con un ruleta de actualización mucho más simple sobre una red de velocidades discretas. En el límite correcto, las ecuaciones de Navier-Stokes se recuperan sin asumir nada. Esto hace que la LBM sea teóricamente elegante, prácticamente rápida y paralelizable de manera deslumbrante. Funciona mejor en el régimen de baja Mach, subsonico, y
El Lattice Boltzmann Method (LBM) es una aproximación teóricamente elegante y prácticamente rápida para simular fluidos, que opera en el escala mesoscópica. En lugar de utilizar las ecuaciones de Navier-Stokes intractables, el LBM utiliza un update simple en una red de velocidades discretas. Aunque en el límite se recupera la solución correcta, este método tiene limitaciones en el régimen subsonico y puede ser numericamente instable a bajas viscosidades. El LBM se sitúa en un punto intermedio entre las simulaciones de dinámica molecular y los solucionadores de Navier-Stokes. En lugar de utilizar la aproximación del BGK, que reduce el problema a una operación lineal, el método utiliza la ecuación de Boltzmann para describir la evolución de la distribución de partículas en función del tiempo y la posición. Sin embargo, esta ecuación es intractable debido al número de dimensiones y la complejidad de los colisiones. La aproximación del BGK, propuesta por Bhatnagar, Gross y Krook en 1954, es una simplificación brilla que reduce el problema a una operación lineal. Esta aproximación es teóricamente justificada mediante la expansión de Chapman-Enskog, lo que muestra que en el límite de baja velocidad, el LBM recupera exactamente las ecuaciones de Navier-Stokes. El uso del LBM tiene implicaciones importantes para la simulación de fluidos en diferentes aplicaciones. Sin embargo, es importante tener en cuenta las limitaciones y restricciones de este método, especialmente en términos de velocidad y viscosidad. Además, el LBM requiere una gran cantidad de paralelización para ser computacionalmente eficiente. En resumen, el Lattice Boltzmann Method es una aproximación teóricamente elegante y prácticamente rápida para simular fluidos, que opera en la escala mesoscópica. Aunque tiene limitaciones y restricciones, este método tiene el potencial de ser utilizado en diferentes aplicaciones, siempre y cuando se tenga en cuenta sus implicaciones y limitaciones.
El precio de la euforia de la adopción Se jugó completamente al libro. Se obtuvieron los modelos de empresa más capaces, se mandó la adopción a las equipos y se colocaron las métricas correctas. La promesa era un aumento predecible en la eficiencia. Y al principio, lo entregó. Las demostraciones fueron perfectas. Los prototipos funcionaron. Los agentes razonaban con una claridad que parecía casi mágica. Luego llegó la factura. Los costos subieron mientras la productividad apenas movió, y las asignaciones anuales de inteligencia artificial están agotándose antes del Q2 . Ahora pagamos a los agentes de atención al cliente para girar por 10K-token en bucles de razonamiento extendidos solo para validar un retorno simple de $15. Los sistemas deterministas legados manejan la misma decisión por una fracción de un centavo; ahora un modelo probabilístico consume el beneficio bruto simplemente para determinar si un paquete se retrasó. Ese capital nunca se tradujo en valor empresarial. Se perdió en bucles de retries ciegos, evaporado en agentes verificadores discutiendo entre sí, y consumido por modelos instruidos a "pensar más duro" cada vez que se estrellaban
La adopción de la euforia de la inteligencia artificial conlleva un precio alto. Las empresas que han invertido en modelos de inteligencia artificial capaces y han implementado políticas de adopción efectivas pueden experimentar un aumento inicial en la eficiencia, pero pronto se dan cuenta de que los costos suben mientras la productividad apenas crece. Los modelos de lenguaje grandes consumen grandes cantidades de capital sin generar valor empresarial significativo, lo que hace que el dinero desaparezca en blind retries y verificadores que debaten entre sí. El problema se agravó cuando los atacantes explotaron un fallo en la recuperación de cuentas de Instagram de Meta, aprovechando una vulnerabilidad en el flujo de recuperación de contraseñas. El sistema envió enlaces de reset de contraseña a direcciones de correo electrónico controladas por los atacantes porque no se verificó que el correo electrónico proporcionado perteneciera al cuenta objetivo. La falla fue arquitectónica, ya que un interfaz probabilística permitió que un agente iniciara cambios de estado críticos sin una autorización independiente. Ambos problemas son síntomas de la misma falacia estructural: los sistemas tratan las deficiencias estructurales como problemas de razonamiento. Cuando se enfrentan a la incertidumbre, compran más computo; cuando se enfrentan a la autoridad, confunden el lenguaje convencional con la validación. Esta categoría error consiste en forzar "swarms" (conjuntos de datos) a "factories" (procesos digitales), lo que crea dos perfiles operativos opuestos: exploratorio y transaccional. El problema radica en el hecho de que no todos los tareas que se le dan a la inteligencia artificial pertenecen al mismo categoría económica. La industria ha estado malinterpretando esta distinción, tratando de aplicar modelos de lenguaje grandes para tareas transaccionales rigurosas y cerradas, lo que lleva a una inversión desbordante sin generar valor empresarial significativo. Esta falacia tiene implicaciones críticas para las empresas que buscan implementar soluciones de inteligencia artificial efectivas. Es fundamental reconocer la distinción entre tareas exploratorias y transaccionales, y diseñar sistemas que se adapten a cada categoría económica. De lo contrario, el costo de la adopción de la euforia de la inteligencia artificial puede ser devastador para las organizaciones.
La evaluación de la ilusión del lenguaje artificial con GraphEval. Las ilusiones son uno de los problemas mejor conocidos que pueden experimentar los modelos de lenguaje grandes (LLMs) cuando generan respuestas. Ocurren cuando un modelo produce una respuesta que es incorrecta, absurda o simplemente fabricada, típicamente debido a la falta de conocimiento interno sobre el tema. Aunque muchos soluciones han surgido en los últimos años para abordar el problema de las ilusiones del modelo, se han comparativamente menos estudiado los marcos metodológicos de evaluación interna para detectarlas. Un estudio reciente propuesto por investigadores de Amazon sugiere utilizar gráficas de conocimiento como medio para analizar y detectar las ilusiones que ocurren en LLMs. El marco presentado en el estudio se llama GraphEval. En este artículo, vamos a tomar un enfoque práctico y ligero para ilustrar los bloques conceptuales básicos de GraphEval a través de un ejemplo de código simulado que puedes probar fácilmente en tu máquina. # Gráfeval en resumen Gráfeval utiliza gráficas de conocimiento para identificar y señalar las ilusiones en las respuestas generadas por los modelos de lenguaje. A diferencia de los métricas de rendimiento clásicas
El estudio de la evaluación del modelo de lenguaje artificial que produce "hallucinaciones" es un tema crucial en el campo de la inteligencia artificial. Las hallucinaciones ocurren cuando un modelo de lenguaje artificial genera una respuesta que es incorrecta, absurda o simplemente fabricada, lo cual suele deberse a la falta de conocimiento interno del modelo sobre el tema. El estudio propuesto por los investigadores de Amazon utiliza gráficas de conocimiento para analizar y detectar las hallucinaciones en los modelos de lenguaje artificiales. El marco presentado se llama GraphEval, que aplica un proceso de evaluación dos etapas que enfatiza la explicabilidad, proporcionando información sobre dónde exactamente se produjo la hallucinación. El proceso de GraphEval considera dos etapas: 1. Se construye una gráfica de conocimiento a partir de la respuesta generada por el modelo de lenguaje artificial. 2. Se evalúa cada triple en la gráfica de conocimiento contra un contexto de fuentes (un cuerpo de conocimiento verdadero) mediante un modelo de inferencia natural del lenguaje (NLI). Cualquier triple que no pueda ser entendiendó por el contexto según el NLI - porque es contradictorio o neutro - se marca como una hallucinación. El estudio propuesto utiliza un ejemplo de código para ilustrar cómo funciona el marco GraphEval. El ejemplo simula la construcción de una gráfica de conocimiento y su evaluación contra un contexto de fuentes, lo cual en un escenario real requeriría una computación más pesada.
Un agente puede manejar su estado de diferentes maneras y esta decisión a nivel de código puede tener un impacto significativo en la arquitectura de despliegue. Los dos paradigmas principales para manejar el estado de un agente son el diseño estatal y el diseño no estatal. Este artículo explora estos dos enfoques y proporciona un ejemplo práctico utilizando modelos de lenguaje abierto servidos a través de la API Groq. Un agente estatal almacena su propio contexto y conversación histórica en una capa de base de datos, mientras que un agente no estatal depende completamente del cliente para suministrar la historia de conversación.
El enfoque de un agente en la gestión del estado, ya sea estatal o no estatal, tiene un impacto significativo tanto en su implementación como en la arquitectura de despliegue que se construye alrededor de él. En este artículo, se analizará cómo los agentes manejan su estado y las implicaciones que esto tiene para la escalabilidad. La decisión de si un agente es estatal o no estatal es crucial, ya que cada enfoque impone diferentes tradeoffs. Los agentes estatales tratan cada solicitud como una entidad aislada e independiente, leyendo el prompt del usuario, invocando el motor de inferencia del modelo de lenguaje y entregando la salida. Una vez que ese ciclo de ejecución termina, todo se olvida. La ventaja de los agentes estatales es que pueden escalarse horizontalmente con facilidad, ya que no se almacena memoria del usuario en un servidor de backend. Sin embargo, esto tiene una limitación importante en las conversaciones de multi-turn: el frontend debe reenviar la historia completa de conversación junto con cada nuevo pedido, lo que hace que el contexto se acumule y aumente rápidamente el uso de tokens. Por otro lado, los agentes estatales toman la carga de la memoria a sí mismos. El cliente solo necesita enviar el prompt del usuario más reciente junto con un identificador único, normalmente asociado con la sesión actual. El agente entonces recupera la historia de sesión o contexto desde una capa de base de datos y la aplica al nuevo mensaje. Una vez que se ha procesado la inferencia del modelo, el agente actualiza el contexto en la base de datos. La ventaja de los agentes estatales es que facilitan experiencias más limpias desde el lado del cliente y permiten workflows complejos y asíncronos en los que los agentes pueden pausar su ejecución y esperar por herramientas, respuestas de aplicaciones o aprobación humana. Sin embargo, esto tiene un costo: la escalabilidad se vuelve más difícil, comenzando con la necesidad de una capa de base de datos persistente en la arquitectura. En infraestructuras que se escalan horizontalmente, es posible que se requiera estrategias como el caché centralizado con Redis para evitar "amnesia localizada", donde la historia de sesión se queda atrapada.
Para ver "La Odisea" en cines este fin de semana, el 39 años de edad del marketing Mike Rohlfing se embarcó en una aventura heroica de su propia vida. Rohlfing, junto con su esposa y sus tres hijos, condujo aproximadamente 900 millas de ida y vuelta en minivan desde su hogar en St. Louis, Misuri, hasta Grand Rapids, Michigan, para llegar a uno de los pocos cineclubes que ofrecen proyecciones en Imax 70 mm para la adaptación del poema épico de Christopher Nolan. "Es una forma increíble", Rohlfing le dijo CNBC. "Definitivamente valió la pena viajar tan lejos". Rohlfing no es el único que se dispone a viajar por todo el país para experimentar la película Universal en esta forma de visualización única y amplia. Atractivos como Zendaya y Anne Hathaway pueden estar en la lista de actores, pero el desempeño estelar proviene del gran formato de visualización análogo amado por Nolan y sus fans. Datos exclusivos compartidos con CNBC muestran cómo significativamente aumentó el interés para las proyecciones más caras en Imax 70 mm. Es parte de una clase de formatos de pantalla más altos conocidos como "formatos premium grandes", o PLFs.
El director de marketing Mike Rohlfing se embarcó en un viaje épico para ver "La Odisea" en cines, recorriendo más de 900 millas con su familia desde St. Louis, Missouri hasta Grand Rapids, Michigan, para disfrutar de una proyección en Imax 70 mm. Este formato es especialmente exclusivo y caro, ya que un boleto adulto puede costar hasta $27.77, lo que supone un aumento del 81% con respecto al costo promedio de entrada en otros formatos. La demanda por este tipo de proyecciones ha sido "histórica" y algunos actores, como Zendaya y Anne Hathaway, han atraído a audiencias dispuestas a viajar largas distancias para experimentar esta experiencia única. La limitada disponibilidad de estas proyecciones ha convertido en un desafío obtener entradas, con algunas salas que ponen los boletos a la venta un año con anticipación. Los fanáticos están dispuestos a pagar por esta experiencia, lo que ha llevado a Imax a considerar nuevas formas de multiplicar las proyecciones, aunque el CEO Richard Gelfond señala que hay una "finitez" en el número de salas que pueden soportar la economía de este formato. La demanda es tan alta que algunos estados, como Colorado y Texas, han reportado una "demanda excepcionalmente fuerte", mientras que otros lugares, como Indiana, han visto un aumento significativo en las solicitudes de entradas. La experiencia de ver una película en Imax 70 mm se ha comparado con comprar boletos para conciertos o eventos exclusivos, y algunos fanáticos están dispuestos a hacer largas distancias para disfrutar de esta experiencia única. Sin embargo, la limitada disponibilidad de estas proyecciones plantea preguntas sobre la sostenibilidad a largo plazo de este formato y si Imax puede mantener el interés de los audiencias en un futuro.
El líder de Google AI, Jeff Dean, habló sobre la distilación en un podcast hace poco, cuando era un concepto poco discutido fuera de círculos tecnológicos. Según Dean, su equipo descubrió técnicas de inteligencia artificial distiladas mientras buscaba mejorar el rendimiento de los sistemas de Google sin depender de un modelo de reconocimiento de imágenes único. La distilación se ha vuelto una cuestión caliente en Silicon Valley y Washington D.C., donde los tecnólogos y legisladores discuten si esta práctica está convirtiéndose en una amenaza para la seguridad nacional y permitiendo a China ganar la carrera de inteligencia artificial. El problema surge porque las empresas chinas, como Moonshot AI, ofrecen modelos de inteligencia artificial "abiertos" que permiten a los usuarios descargar la tecnología, ajustarla y ejecutarla en cualquier lugar. Algunos funcionarios del gobierno atribuyen el éxito de Moonshot a la distilación, describiéndola como el robo de propiedad intelectual estadounidense. Los principales actores del sector tech se unieron para expresar su posición sobre la cuestión, rechazando las restricciones prematuras en modelos de inteligencia artificial abiertos que podrían estancar la competencia o fomentar la innovación en el extranjero.
El concepto de "distilación" en inteligencia artificial (IA) ha ganado popularidad recientemente, tras ser mencionado por el líder de Google AI, Jeff Dean, en un podcast. La distilación se refiere a la técnica de utilizar las respuestas de un chatbot o producto de una modelo avanzada de IA para entrenar otro modelo. Esta práctica ha generado controversia, ya que permite a los desarrolladores de modelos crear ofertas competitivas utilizando el trabajo de otros sin necesidad de invertir grandes cantidades de dinero en desarrollo. La aparición de la distilación como un tema candente se debe en parte a la capacidad de las laboratorias chinas, como Moonshot AI, para desarrollar modelos de IA competitivos con los líderes estadounidenses, como Anthropic y OpenAI. La distilación ha sido acusada de ser una forma de "robo de propiedad intelectual" estadounidense, ya que las empresas chinas están utilizando los modelos de IA desarrollados en Estados Unidos para mejorar sus propios productos. Sin embargo, algunos expertos argumentan que la distilación es una técnica legítima y necesaria para el desarrollo de modelos de IA avanzados. El CEO de Box, Aaron Levie, sostuvo que las empresas estadounidenses deben tener acceso a la mejor tecnología, independientemente de su origen, para mantener la competitividad. La cuestión de la distilación plantea un dilema para los políticos estadounidenses, quienes deben equilibrar la protección de la propiedad intelectual con el fomento de la innovación y la competencia en el sector de la IA. La respuesta de las empresas tecnológicas a este problema es preocupante, ya que podría llevar a una regulación excesiva que limita la libertad de desarrollo y la colaboración entre empresas.
Cuando Donald Trump fue reelecto para un segundo mandato como presidente, los comerciantes amateuros y profesionales corrieron a identificar cuáles acciones beneficiarían de sus políticas económicas agresivas.
When Donald Trump was elected to a second term as president, amateur and professional traders alike rushed to identify which stocks would benefit from his aggressive economic policies.
Después de que su único heredero falleció, Eddie Smith, propietario de Grady-White Boats, buscó una forma de transmitir su legado. Fue inspirado por Patagonia a comprometer los beneficios futuros con la caridad. El fundador de Grady-White Boats, Eddie Smith, decidió donar el 10% de las ganancias de sus barcos a organizaciones benéficas.
La muerte de su único heredero motivó a Eddie Smith, propietario de Grady-White Boats, a buscar una forma de transmitir su legado. Su inspiración en la marca Patagonia lo llevó a comprometer que los beneficios futuros de su empresa serían donados a la caridad. Esta decisión puede verse como un ejemplo de responsabilidad social empresarial y un intento por parte de Smith de dejar una huella positiva más allá de su legado personal. Sin embargo, también plantea preguntas sobre el impacto económico que esto podría tener en la empresa y si realmente se lograrán los beneficios prometidos a las causas benéficas. Además, es interesante considerar cómo esta decisión puede influir en la percepción del consumidor hacia la marca Grady-White Boats.
Los inversores aumentan sus apuestas sobre un aumento de las tasas del Banco Federal después de que el precio del petróleo se disparó. Para acceder a este artículo, haz clic en el enlace de suscripción. Intenta acceso ilimitado Solo $1 por 4 semanas. Luego $75 por mes. Acceso digital completo a la calidad periodística FT en cualquier dispositivo. Cancela en cualquier momento durante tu prueba. Explora más ofertas. Edición Digital FT $16,99 por mes. Nuestra versión digital del periódico FT, fácil de leer en cualquier dispositivo. Estándar Digital $45 por mes. Acceso digital completo a la calidad periodística FT en cualquier dispositivo. Paga un año con anticipación y ahorra el 20%. Premium Digital Acceso completo $75 por mes. Acceso digital completo a la calidad periodística con análisis experto de líderes del sector. Paga un año con anticipación y ahorra el 20%. Verifica si ya tienes acceso a través de tu universidad o organización. Explora nuestra completa gama de suscripciones. Para individuos Descubre todos los planes disponibles en tu país. Para múltiples lectores Acceso digital para organizaciones. Incluye características y contenido exclusivos. ¿Por qué el FT? Ver por qué más de un millón de lectores pagan para leer Financial Times.
La decisión de los inversores de aumentar sus apuestas sobre un aumento en las tasas de interés por parte de la Reserva Federal, después del sorprendente aumento en el precio del petróleo, refleja una creciente inquietud sobre la estabilidad económica global. Este movimiento se debe en gran medida a la percepción de que la Reserva Federal podría aumentar las tasas de interés para combatir la inflación, lo cual podría tener un impacto significativo en el mercado financiero y la economía en general. Sin embargo, es importante considerar que este aumento también podría tener consecuencias negativas, como una recesión económica o una disminución en la actividad comercial. Es fundamental para los inversores y los consumidores estar atentos a estas tendencias y tomar decisiones informadas sobre sus inversiones y planes financieros. Además, es crucial que las autoridades monetarias y gubernamentales tomen medidas cuidadosas y transparentes para mitigar cualquier impacto negativo en la economía.
Más de 250.000 personas abandonaron pueblos y aldeas en España y Francia mientras incendios forestales sin control se acercaban cada vez más a Madrid y Bordeaux, dos áreas metropolitanas que albergan a más de ocho millones de personas.
Los incendios forestales sin control que se extendieron por España y Francia obligaron a más de 250.000 personas a abandonar sus pueblos y aldeas, mientras que las llamas se acercaban cada vez más a la capital española y la gran área metropolitana de Bordeaux, que alberga a más de 8 millones de personas en total. Este desplazamiento masivo de población es un reflejo de la crisis climática que afecta a ambos países y subraya la necesidad de medidas urgentes para prevenir y combatir estos incendios. La proximidad de las llamas a áreas urbanas como Madrid y Bordeaux aumenta el riesgo de daños a la infraestructura y la vida humana, lo que destaca la importancia de implementar estrategias de prevención y mitigación efectivas. Es fundamental que los gobiernos españoles y franceses tomen medidas concretas para abordar esta crisis y proteger a sus ciudadanos ante el aumento de incendios forestales en el futuro. La respuesta gubernamental debe ser rápida, eficaz y coordinada para evitar más desplazamientos masivos de población y minimizar los daños causados por estos incendios.