Desde finales de 2024, se debate intensamente si el progreso de los modelos de lenguaje de IA alcanzará una “pared” que no podrá derribarse simplemente aumentando la cantidad de datos, cómputo y el tamaño del modelo. Sin embargo, la clave parece estar en aumento del cómputo en tiempo de inferencia, como ha comenzado a implementarse en modelos como o1 y o3 de OpenAI. Nos preguntamos, ¿existe realmente una pared para el progreso de la IA? ¿En qué consiste la nueva estrategia de escalado basada en hacer que los modelos "piensen" en lugar de simplemente aumentar su tamaño?

DeepSeek ha demostrado que es posible desarrollar modelos de IA eficientes con menos recursos, pero sigue dependiendo de hardware de alto rendimiento, dominado por fabricantes estadounidenses como Nvidia. En respuesta a este avance, EE.UU. ha redoblado sus esfuerzos para restringir el acceso de China a chips avanzados, endureciendo los controles de exportación con el objetivo de frenar el progreso de la IA en su principal rival geopolítico. En este artículo, exploramos el impacto de la ballena DeepSeek.

¿Qué se necesita para ser Data Scientist? En este artículo, exploramos las habilidades esenciales como programación en Python, análisis de datos, matemáticas aplicadas y Machine Learning, junto con conocimientos avanzados como Big Data y Deep Learning. Una guía completa para entender el camino hacia esta apasionante carrera.

El año 2024 marcó un hito en el desarrollo de robots humanoides y modelos fundacionales de IA, impulsado tanto por startups innovadoras como por gigantes tecnológicos como Nvidia. Analizamos los principales avances, incluyendo el financiamiento obtenido por diversas empresas y el impacto potencial en sectores industriales y domésticos. Además, exploramos la dinámica de la carrera tecnológica entre China y EE.UU., subrayando los planes estratégicos de China para liderar la producción en masa de robots humanoides en 2025 y el desarrollo en EE.UU. de robots más accesibles, liderado por empresas como Tesla.

El 30 de noviembre se cumplen 2 años del lanzamiento de ChatGPT, un evento que generó grandes ondas expansivas en el desarrollo tecnológico, la sociedad y la economía. En este espacio abierto donde no siempre es fácil (o tal vez siquiera posible) separar realidad de expectativas, este artículo aborda con una mirada reflexiva el impacto concreto y potencial de la IA generativa, haciendo un balance de los sucesos desde 2022 y revisando qué promesas se cumplieron, cuáles siguen en carrera para cumplirse y cuáles parecen haber quedado en el camino.

En este artículo se explora la influencia de la inteligencia artificial en la guerra, tanto en la ciencia ficción como en el mundo real. Desde la automatización de las primeras armas hasta la aparición de las primeras computadoras con fines militares y las modernas armas autónomas.

Este año tuvimos el honor de ser anfitriones de la edición latinoamericana de BrainHack 2024, el Workshop Internacional de Inteligencia Artificial y Neurociencias, que tuvo su lugar en Argentina en el Centro de Neurociencias Cognitivas de la Universidad de San Andrés. Te contamos todo lo que pasó.

¿Te da curiosidad la Inteligencia Artificial y estás pensando en cambiar de carrera? Te contamos cómo lograrlo con esta guía de cinco pasos para evaluar tus habilidades, adquirir nuevos conocimientos, ganar experiencia, construir una red de contactos y aplicar a trabajos relevantes en el campo de la IA y Ciencia de Datos.

El artículo explora los riesgos de la inteligencia artificial generativa, incluyendo el uso indebido de tecnologías accesibles públicamente y de código abierto. Destaca incidentes de desinformación y falsificación, y presenta un debate sobre la necesidad de regulaciones para controlar estos riesgos, contrastando opiniones dentro de la industria sobre la severidad de las amenazas.

El artículo examina cómo las metodologías ágiles, especialmente Scrum, se adaptan al campo de la ciencia de datos y el desarrollo de modelos de machine learning. Se basa en experiencias de profesionales que destacan la utilidad de herramientas como Jira y prácticas como sprints para manejar la incertidumbre y necesidades cambiantes de proyectos de datos. Aunque las metodologías ágiles son beneficiosas para la flexibilidad y la adaptación rápida, requieren adaptaciones específicas para ser efectivas en proyectos de datos.