La aplicación BYOD transforma las operaciones diarias de los repartidores en un flujo de trabajo totalmente conectado y basado en datos. Desde la validación de paquetes hasta la prueba de entrega y la notificación de incidencias, cada acción se registra de forma segura y se transmite a la plataforma central, lo que garantiza que los proveedores de logística estén siempre informados.

Cuando un repartidor inicia sesión, la aplicación se adapta automáticamente a la configuración específica del Living Lab. Las funciones y los flujos de trabajo disponibles dependen del modelo operativo de cada entorno. La aplicación BYOD está diseñada para admitir diferentes implementaciones en distintas ciudades con configuraciones personalizadas, sin necesidad de modificar la aplicación principal.

En el Living Lab de Atenas, por ejemplo, los repartidores pueden operar a través de paquetes o paradas en el menú principal. Esta flexibilidad permite que la misma aplicación admita múltiples escenarios logísticos sin alterar el sistema central.

Función Parcel

El la funcionalidad Parcel, los repartidores añaden paquetes escaneando códigos QR o introduciendo manualmente los ID de los paquetes. Para mayor eficiencia, se pueden seleccionar varios paquetes a la vez escaneando códigos QR o introduciendo un ID de paquete para su procesamiento por lotes.

Una vez validados, los paquetes aparecen en la lista de trabajo actual, confirmando que están correctamente vinculados al repartidor. Permanecen visibles hasta que se completa la entrega, se retiran manualmente o se confirma la entrega en el sistema. Una opción de actualización permite al repartidor obtener la información más reciente del paquete en cualquier momento.

Al seleccionar un paquete, se accede a los datos esenciales de entrega, incluyendo su número de identificación, estado, dirección de entrega, fecha de entrega prevista, peso, tipo de servicio y ruta asociada. Durante el proceso de entrega, los repartidores pueden registrar eventos y actualizar la calidad del paquete directamente en la aplicación.

Como comprobante de entrega, se selecciona un solo paquete y el destinatario firma directamente en el dispositivo. La firma se registra de forma segura y se notifica inmediatamente, lo que garantiza una confirmación fiable de la entrega y la trazabilidad.

Función Stop

A través del menú principal, los repartidores pueden activar la función de parada, que ofrece una visión general estructurada de las paradas planificadas y la información de los paquetes, agrupada por ubicación de entrega. Las paradas se visualizan en un mapa interactivo, lo que proporciona una clara visibilidad de la ruta y una mejor percepción de la situación gracias a la geolocalización en tiempo real.

Al seleccionar una parada, se muestran los paquetes asignados a esa ubicación, lo que permite a los repartidores gestionar las entregas agrupadas de forma eficiente. Si se produce una incidencia, el repartidor puede notificarla directamente en la aplicación seleccionando el tipo de incidencia, añadiendo comentarios y compartiendo automáticamente su posición. Esta comunicación en tiempo real facilita los ajustes operativos inmediatos y la gestión proactiva de incidencias.

Impacto del BYOD

La herramienta BYOD de Green-Log garantiza que cada acción, desde la validación de paquetes hasta la captura de firmas y la notificación de incidencias, se transmita de forma segura a los operadores logísticos. Este flujo continuo de información mejora:

• La transparencia
• La coordinación
• La toma de decisiones basada en datos

Al combinar flexibilidad, visibilidad operativa en tiempo real y notificación segura, BYOD optimiza la eficiencia de la entrega de última milla y contribuye a una logística urbana más sostenible y optimizada en diferentes entornos urbanos.

→ Revisa nuestra solución Gemelos Digitales

La entrada Bring Your Own Device overview se publicó primero en Mosaic Factor.

Dentro del proyecto AutoMoTIF, este desafío se aborda mediante shunting as a service automatizado, con Mosaic Factor liderando el desarrollo del framework de simulación.

Del cuello de botella operativo a las operaciones ferroviarias coordinadas

El shunting desempeña un papel fundamental en las terminales intermodales, conectando los flujos de carga marítima con la distribución terrestre. Sin embargo, las operaciones de maniobra tradicionales suelen ser reactivas, fragmentadas entre sistemas, requieren mucha mano de obra y son ineficientes energéticamente.

El shunting as a service reinventa estas operaciones como una plataforma de servicio orquestada digitalmente, donde las locomotoras autónomas, los recursos de la estación y los sistemas de programación operan como un ecosistema integrado. El objetivo no es simplemente la automatización, sino la optimización del servicio.

La simulación impulsa la transformación

El entorno de simulación avanzado de Mosaic Factor reproduce la complejidad operativa de las terminales ferroviarias, incluyendo el movimiento de trenes, la clasificación de vagones, las limitaciones de capacidad de la estación, los ciclos de manipulación de contenedores, la asignación de recursos y los escenarios de interrupción.

Las locomotoras de shunting autónomas se modelan como agentes inteligentes que responden dinámicamente a la congestión, los cambios de horario y las limitaciones de la infraestructura.

Mediante el modelado de escenarios, las simulaciones evalúan:

• Reducción del tiempo de maniobra
• Mayor rapidez en la rotación de vagones
• Menores tiempos de inactividad y espera
• Optimización del consumo de energía
• Mayor rendimiento de la estación
• Mayor seguridad y menores costes operativos

Este enfoque basado en datos garantiza que los conceptos de automatización se validen antes de su implementación en el mundo real.

Plataforma Shunting as a Service

El shunting as a service introduce un cambio en la estructura de las operaciones de las estaciones ferroviarias. En lugar de una actividad interna fija, la gestión de maniobras se modela como una plataforma orientada a servicios donde la capacidad se asigna dinámicamente, las operaciones se coordinan digitalmente y el rendimiento se supervisa continuamente.

Este enfoque favorece una mayor interoperabilidad entre operadores de terminales, gestores de infraestructura ferroviaria, proveedores de logística y autoridades portuarias, al tiempo que permite la integración con otros procesos automatizados dentro de AutoMoTIF.

Impulsando terminales ferroviarias más inteligentes

Para garantizar resultados realistas, Mosaic Factor calibra simulaciones utilizando datos operativos históricos, información de planificación y escenarios de pruebas de estrés que reflejan la demanda máxima y el crecimiento futuro.

Los modelos resultantes proporcionan herramientas de apoyo a la toma de decisiones para la inversión en infraestructura, estrategias de automatización, modelos de negocio y alineación regulatoria, lo que ayuda a reducir el riesgo y acelerar la implementación.

Fortaleciendo la red europea de transporte ferroviario de mercancías 

Al mejorar la eficiencia ferroviaria, la automatización de maniobras contribuye a objetivos logísticos más amplios, entre ellos:

• Cambio modal de la carretera al ferrocarril
• Reducción de la congestión en las terminales
• Menores emisiones
• Condiciones de trabajo más seguras
• Operaciones logísticas más fiables

Mediante la validación basada en simulaciones, Mosaic Factor demuestra cómo la automatización de maniobras puede aumentar el rendimiento, reducir los retrasos, optimizar el consumo de energía y mejorar la seguridad.

La automatización del shunting, como plataforma orientada al servicio, representa más que una actualización tecnológica. Introduce un nuevo modelo operativo que refuerza el papel del ferrocarril en el sistema de transporte europeo, al tiempo que apoya una red logística más eficiente y sostenible.

→ Revisa nuestra solución Gemelos Digitales

La entrada Automated Shunting as a Service Platform se publicó primero en Mosaic Factor.

Abordando los puntos ciegos en áreas urbanas

En entornos urbanos concurridos, los coches aparcados, los edificios y la vegetación a menudo obstruyen los sensores de los vehículos, creando puntos ciegos que representan riesgos serios, especialmente para usuarios vulnerables de la carretera (o vulnerable road users en ingés, VRUs) como niños, ciclistas y trabajadores de la carretera. Los sistemas de detección actuales tienen dificultades en estos escenarios, con tasas de reconocimiento que caen por debajo del 65% cuando los individuos están completamente ocultos. HIDDEN tiene como objetivo superar este desafío mejorando la Conciencia Colectiva a través de la comunicación Vehicle-to-Everything (V2X) y la Inteligencia Artificial. Al compartir datos de sensores entre vehículos, infraestructura y usuarios de la carretera, el proyecto permite una comprensión más completa y dinámica del entorno urbano.

Hybrid Intelligence: una fusión persona-máquina

Lo que diferencia HIDDEN es el uso de inteligencia híbrida o Hybrid Intelligence (HI):una fusión de la inteligencia humana y de la máquina. Este enfoque permite que los sistemas automatizados tomen decisiones que no solo sean técnicamente sólidas, sino también éticamente y legalmente fundamentadas, reflejando el juicio y el comportamiento humano.

“HIDDEN va más allá de la IA convencional,” comenta el Dr. Angelos Amditis, Coordinador de HIDDEN y Director de I+D en ICCS”. “Estamos incorporando el juicio humano en el proceso, para que los sistemas automatizados puedan actuar no solo con precisión, sino con sabiduría.”

Testeo en el mundo real

El proyecto probará su enfoque en cuatro escenarios urbanos de alto riesgo:

• Un niño corriendo desde detrás de un coche estacionado
• Un ciclista navegando por zonas de tráfico mixto
• Un trabajador de la carretera oculto por la vegetación
• Un vehículo escondido en una intersección sin señalización

Estos casos reflejan desafíos complejos del mundo real donde una mejor percepción y una toma de decisiones basada en la ética podrían salvar vidas.

Colaboración pan-europea hacia ciudades más seguras e inteligentes

Financiado por Horizon Europe’s Cluster 5 con una subvención de aproximadamente €5 millones, HIDDEN está apoyado por el Connected, Cooperative and Automated Mobility (CCAM) Partnership. El consorcio incluye 14 partners y 2 entidades afiliadas en 7 países de la UE, reuniendo la experiencia de institutos de investigación, universidades, pymes, líderes de la industria automotriz, organismos de regulación y investigadores en ciencias sociales.

HIDDEN no se trata solo de vehículos más inteligentes, se trata de construir confianza, alinear la tecnología con los valores humanos y allanar el camino para calles más seguras en toda Europa. A través de pruebas de campo y simulaciones virtuales, el proyecto validará sus tecnologías y trabajará en estrecha colaboración con los organismos de aprobación de la UE y los grupos de trabajo de la UNECE para dar forma a los futuros estándares y políticas.

La contribución de Mosaic Factor

Mosaic Factor liderará el desarrollo de métodos de Inteligencia Artificial Explicable (XAI) y Aprendizaje por Refuerzo con Retroalimentación Humana (RLHF) dentro del proyecto. Su trabajo se centra en crear un conjunto de herramientas explicativas con énfasis en la transparencia (transparency-first explanatory toolkit) que fomente la confianza, la aceptación por parte del usuario y la integración ética de la IA en vehículos conectados y automatizados.

Para más detalles, puedes leer y descargar el comunicado de prensa completo aquí:

HIDDEN Press Release _EN_final

→ Revisa nuestra solución para Data Enhanced Products

La entrada Lanzamiento HIDDEN project se publicó primero en Mosaic Factor.

Desafíos clave para los equipos de IA en automotive

Los principales desafíos al desarrollar modelos de IA para vehículos de conducción autónoma son:

• Clasificación High-Risk: Los sistemas de IA en los vehículos de conducción autónoma a menudo caen en la categoría de «alto riesgo», lo que desencadena evaluaciones de conformidad obligatorias, documentación y preparación para auditorías.
• Complejidad en el cumplimiento normativo: con más de 450 páginas de texto legal, traducir regulaciones en tareas de ingeniería es un desafío abrumador. Las revisiones manuales y la documentación fragmentada ralentizan la innovación y aumentan los costes.
• Presión de auditoría: los equipos deben prepararse para inspecciones programadas y sorpresas. El incumplimiento puede resultar en multas de hasta 7.5 millones de euros o el 3% de la facturación global.

Marcos de confianza y cumplimiento en la IA

Para abordar estos obstáculos, es fundamental desarrollar marcos de cumplimiento modulares y automatizados adaptados para los SDV que permitan:

• Evaluaciones de sistemas End-to-End: evaluaciones rápidas y listas para auditoría alineadas con la Ley de IA de la UE.
• Informes configurables: evaluaciones específicas para componentes de IA, como el equilibrio de datos o la transparencia del modelo.
• Interfaz de la Fase de Auditoría: herramientas para evaluadores externos, optimizando la retroalimentación y reduciendo el tiempo de evaluación.

¿A quién va dirigido?

• OEMs: responsables del cumplimiento a nivel de sistema, deben asegurarse de que cada componente de IA cumpla con los estándares regulatorios antes del lanzamiento del vehículo.
• Tier 1 Suppliers: los desarrolladores de módulos de IA críticos deben demostrar cumplimiento a nivel de componente a los fabricantes de equipos originales (OEM), mejorando la colaboración y la competitividad en el mercado.

Implicaciones en la industria

La EU AI Act no es solo un obstáculo legal, sino una oportunidad estratégica. Al integrar el cumplimiento en el ciclo de desarrollo, los fabricantes de automóviles pueden construir sistemas de IA más resilientes, transparentes y preparados para el futuro. La Ley fomenta:

• Colaboración interdisciplinar: los equipos de IA, ciberseguridad, seguridad y regulaciones deben trabajar conjuntamente.
• Responsabilidad a lo largo del ciclo de vida: desde el diseño hasta el monitoreo post-mercado, la trazabilidad se convierte en un requisito fundamental.
• Innovación a través de la estructura: erramientas y marcos automatizados transforman el cumplimiento de un obstáculo en un catalizador para mejores prácticas de ingeniería.

A medida que los SDVs se convierten en la norma, la EU AI Act dará forma a cómo se construye, valida y despliega la IA automotriz. Los desarrolladores y proveedores con visión de futuro que adopten un cumplimiento estructurado no solo evitarán sanciones, sino que liderarán la próxima ola de movilidad inteligente.

GPAI y GenAI bajo la Ley de IA: lo que los desarrolladores deben saber

La GPAI Code of Practice, finalizado en mayo de 2025, proporciona orientación crítica para los proveedores de modelos de IA de propósito general (GPAI), incluidos los sistemas de IA generativa (GenAI). La Ley de IA de la UE distingue entre modelos complejos de GenAI -aquellos con riesgo sistémico– y modelos más simples de GenAI, cada uno enfrentando diferentes cargas de cumplimiento.

• Modelos de GenAI Complejos (modelos de riesgo sistémico): Estos modelos superan umbrales como 10²⁵ FLOPs en computación de entrenamiento o demuestran capacidades de alto impacto en diversos dominios. Los proveedores deben realizar pruebas adversariales, evaluaciones de riesgo, e informes de incidentes, y asegurar protecciones de ciberseguridad. También deben notificar a la Comisión Europea para la inclusión en la base de datos pública y mantener documentación detallada de la arquitectura del modelo y las estrategias de evaluación.
• GenAI Models simples: Estos no se clasifican como riesgo sistémico y enfrentan obligaciones más ligeras. Los proveedores deben publicar un resumen de los datos de entrenamiento, asegurar el cumplimiento de derechos de autor (copyright compliance) y mantener documentación técnica para los usuarios finales. La transparencia es clave: los resultados deben estar etiquetados y los usuarios informados al interactuar con sistemas de IA.

El Código de Práctica sirve como un modelo para demostrar el cumplimiento, ayudando a los desarrolladores a navegar por los requisitos en capas de la Ley de IA, al mismo tiempo que fomenta la innovación y la confianza en las tecnologías de GenAI.

La entrada Navegando por la Ley de IA de la UE: implicaciones para desarrolladores de SDV e innovadores de la industria automotriz se publicó primero en Mosaic Factor.

Estas son las principales tendencias y novedades que se destacaron.

Innovación en Gemelos Digitales

• Delta Electronics presentó un Digital Twin para virtual commissioning
  de células de encolado robotizadas, lo que mejora la eficiencia de la automatización.
• Una iniciativa open-source de IDTA (Eclipse Foundation) atrajo la atención por el avance de la accesibilidad en la tecnología de gemelos digitales.
• La circularidad surgió como un tema crítico, con contribuciones de Fraunhofer o Schneider que promovían prácticas de fabricación sostenibles. Estos proyectos abarcaron sectores como la producción de alimentos y el reciclaje de componentes de automoción.
• Siemens mostró una simulación de túnel de viento utilizando tecnologías de gemelo digital e inteligencia artificial, que demuestra el potencial de los métodos de prueba avanzados.

La IA impulsa la innovación

Las aplicaciones de IA en la fabricación se mostraron de forma destacada, yendo más allá del aprendizaje automático tradicional:

• La importancia clave de la Explainable AI (XAI) y la Certified AI reflejando el compromiso de la industria con la transparencia y la fiabilidad.
• Schneider utilizó la IA en la producción de leche de origen vegetal para optimizar los procesos, garantizando un contenido constante de azúcar, un ejemplo de aprendizaje automático que automatiza tareas complejas.
• DFKI incluyó soluciones de IA con análisis de la configuración de la temperatura para los sistemas de calefacción y el aseguramiento de la calidad para la construcción de carrocerías, combinando el análisis de imágenes, los sensores y la tecnología de gemelos digitales.
• Las aplicaciones de IA integradas en robótica también introdujeron la explicabilidad de tareas como la detección de errores de montaje y la automatización de los controles de calidad.

Convergencia de la robótica y la IA

• Project ROX realizó automatización de procesos demostrada.
• Siemens dió a conocer proyectos que combinan robots con PLC virtuales, impulsados por IA y grandes modelos de lenguaje (LLM). Una de las aplicaciones consistía en ensamblar juguetes según las instrucciones del cliente a través de una interfaz digital.

La feria Hannover Messe demostró que la sinergia de Digital Twins, IA, y Robótica está transformando la industria y fabriación. Estas tecnologías no solo mejoran la eficiencia, sino que también allanan el camino para soluciones de producción sostenibles e innovadoras.

La entrada Hannover Messe: Explorando el futuro de la industria se publicó primero en Mosaic Factor.

La EV Charging Location Planning Tool incluye datos socio-demográficos, flujos de movilidad y datos de sesiones de carga de las estaciones de carga existentes para predecir las necesidades futuras de puntos de carga, tanto lentos como rápidos, de acuerdo con escenarios que incluyen la adopción anticipada de vehículos eléctricos. La herramienta se presentó a los usuarios del grupo objetivo, principalmente a las autoridades públicas interesadas en la ubicación eficaz y eficiente de los puntos de recarga. Su feedback ha sido muy positivo, especialmente para determinar qué sitios priorizar primero y dónde implementar cargadores adicionales.

Por otro lado, los usuarios han visto diferentes beneficios de las demos de la herramienta.

1. Facilita la toma de decisiones informada al permitir a los usuarios tomar decisiones respaldadas por datos al planificar la infraestructura de carga, lo que supone una clara mejora con respecto a los métodos tradicionales basados en la intuición.
2. La herramienta también garantiza la eficiencia en la asignación de recursos centrándose en las ubicaciones más prometedoras para nuevos puntos de recarga y estimando las tasas de uso y la rentabilidad.
3. También mejora la satisfacción de los conductores de EV aumentando la disponibilidad de puntos de recarga en la zona más necesitada.
4. Finalmente, la herramienta apoya la planificación a largo plazo mediante la simulación de escenarios de tres a cinco años, lo que brinda confianza para desarrollos futuros.

Las conclusiones de la reunión final del proyecto pusieron de manifiesto recomendaciones para los policy makers y los inversores para guiar los futuros esfuerzos e inversiones en carga de VE. Las experiencias de los socios del proyecto y una encuesta europea a autoridades y operadores públicos señalaron:

• la necesidad de una guía de diseño a medida,
• mejora de las conexiones a la red,
• procesos de planificación optimizados,
• la importancia de la interoperabilidad,
• interfaces fáciles de usar,
• y el apoyo político para maximizar el impacto y la accesibilidad de las soluciones innovadoras para los vehículos eléctricos.

En futuro, una vez finalizado el proyecto, esperamos reutilizar y, posiblemente, escalar el concepto del producto. Nuestros esfuerzos de escalabilidad y explotación de esta herramienta se centrarán en:

1. Business and Market analysis para evaluar la idoneidad en otros lugares y organizaciones de Europa en el ecosistema de los vehículos eléctricos.
2. Contacto e implementación de un plan para reutilizar el concepto de Location Planning Toola nivel I+D en los lugares y organizaciones identificados, en colaboración con los socios de desarrollo del modelo.
3. Recopilación de resultados para evaluar la validación del plan de despliegue europeo en las ubicaciones y organizaciones preidentificadas y planificar cualquier ampliación futura a otras ubicaciones fuera de la UE.
4. Evaluación de diferentes casos de uso en los que el producto podría ampliarse en mercados fuera del entorno de los vehículos eléctricos donde la aplicabilidad es sólida (por ejemplo, vehículos de hidrógeno).

La plataforma de simulación

Durante el proyecto, primero realizamos un análisis de las necesidades de los conductores de vehículos eléctricos relacionadas con la carga de vehículos, lo que dio como resultado la solución que diseñamos e integramos: la herramienta de planificación de ubicaciones.

Esta herramienta se ha utilizado y validado en tres tipos de áreas durante la ejecución del proyecto:

1. Un pequeño pueblo en un entorno rural sin vehículos eléctricos (Val Trompia, en el norte de Italia). Las autoridades públicas validaron la herramienta.
2. Una ciudad, Barcelona. Una empresa ha validado la herramienta: B:SM (Barcelona de Serveis Municipals).
3. Un país, Luxemburgo, donde los CPO lo han validado.

Esta validación triple de la herramienta ha demostrado ser valiosa para ilustrar el potencial y las capacidades de nuestro enfoque de combinar el análisis de Big Data con datos de uso en tiempo real para permitir que las administraciones públicas y las empresas privadas planifiquen el futuro despliegue de la infraestructura de carga en las ubicaciones adecuadas.

→ Revisa nuestra solución Modelos Predictivos

La entrada Charging Point Location Planning Tool se publicó primero en Mosaic Factor.

• Ampliar las funcionalidades y garantizar la compatibilidad entre componentes.
• La versión 3 de la plataforma introducirá funciones interactivas, lo que permitirá a los usuarios ajustar los parámetros de optimización directamente dentro de la aplicación.
• La versión 4 ampliará todas las funcionalidades para incluir todos los Living Labs, garantizando la adaptabilidad a diversos contextos urbanos.

La versión final incorporará el módulo de optimización mejorado, integrando flujos de trabajo de simulación para crear una plataforma totalmente operativa capaz de abordar necesidades logísticas complejas. A través de la iteración continua, la colaboración de las partes interesadas y las pruebas meticulosas, nuestra AIMP está en camino de ofrecer una solución sólida y adaptable para la logística urbana, abordando las necesidades de los Living Labs y mostrando su potencial en aplicaciones del mundo real.

La plataforma de simulación

Aquí puedes echar un vistazo a cómo es el AIMP:

→ Revisa nuestra solución Digital Twins

La entrada Augmented Intelligence Modelling Platform se publicó primero en Mosaic Factor.

La mejor manera de elegir un algoritmo es haciendo las preguntas adecuadas a los profesionales de la industria para identificar el problema exacto que vamos a resolver con el modelo predictivo. Es por eso que trabajaremos en estrecha colaboración con los expertos de las empresas.

Los 5 algoritmos principales que usamos con más frecuencia para los modelos predictivos son:

1. Modelos estadísticos:
   Los sofisticados modelos y enfoques estadísticos, como el modelado generalizado, la regularización, la inferencia bayesiana y el análisis y la predicción de series temporales, se utilizan para capturar dependencias complejas, modelar la incertidumbre y hacer predicciones sólidas con modelos generalizados basados en distribuciones de datos complejas y estructuras latentes.
2. Algoritmos de aprendizaje automático (machine learning): Modelos potentes para capturar relaciones de datos complejas con técnicas de conjuntos basadas en árboles y kernels (bagging, boosting, stacking and blending y voting ensembles). Los enfoques avanzados de ML supervisado se mejoran con técnicas para mejorar la generalización y la interpretabilidad.
   Se desarrollan y utilizan técnicas de aprendizaje no supervisado avanzadas y personalizadas para centrarse en el descubrimiento de patrones ocultos, la creación de segmentos y grupos.
   El aprendizaje por refuerzo a través de las interacciones con el entorno mediante la aplicación de la optimización de las políticas, el aprendizaje basado en valores y los métodos de actor-crítica están diseñados para la toma de decisiones (secuencial). Estas técnicas incluyen:
   1. la agrupación,
   2. la reducción de la dimensionalidad
   3. y el aprendizaje de la representación.
3. Técnicas Deep Learning: el Deep Learning se basa en redes neuronales profundas para aprender representaciones jerárquicas de datos, siendo clave en aplicaciones como el procesamiento del lenguaje natural y el reconocimiento de imágenes.
4. Redes Neuronales: modelos y enfoques avanzados de deep learning (sí, las redes neuronales son consideradas parte de las metodologías deep learning). El aprendizaje de representación y las arquitecturas basadas en la atención que permiten la innovación de última generación y también más allá de la tecnología en áreas como la visión por computadora, el procesamiento del lenguaje natural y el modelado secuencial. La motivación es mejorar la generalización, la escalabilidad y la interpretabilidad a través de técnicas avanzadas superando los límites de lo que la máquina puede aprender.
5. Técnicas de explainable Artificial Intelligence (XAI): métodos que tienen como objetivo descubrir cómo los modelos con conjuntos de datos y estructuras complejas hacen las predicciones, proporcionando transparencia en los procesos y procesos de toma de decisiones. Las técnicas incluyen enfoques agnósticos y específicos del modelo. Son cruciales para comprender la lógica detrás de un resultado de modelo y una decisión..

→ Revisa nuestras Soluciones sobre modelos predictivos y Trustworthy AI.

La entrada Principales algoritmos para modelos predictivos se publicó primero en Mosaic Factor.

¿Qué es un LLM?

Los LLM (Large Language Models en inglés) son sistemas avanzados de IA capaces de comprender y generar diversas formas de contenido, como texto, código, imágenes, vídeo y audio. Estos modelos se entrenan con al menos mil millones de parámetros (puntos de datos), lo que les permite comprender patrones de lenguaje y responder adecuadamente. Los LLM encuentran aplicaciones en tareas de procesamiento del lenguaje natural, como la generación de texto, la traducción, el análisis de sentimientos, el análisis de datos, la respuesta a preguntas y el resumen de textos. .

Evolución de los LLMs

Los hitos clave incluyen:

• 1966 ELIZA: El primer chatbot que simula a un psicoterapeuta.
• 2013 word2vec: Métodos eficientes para aprender incrustaciones de palabras a partir de texto sin procesar.
• GPT y BERT 2018: Modelos rompedores.
• GPT-3 2020: Un salto significativo.
• Finales de 2021 y 2022: GPT-4 y otros avances.
• Modelos estadísticos: Desarrollados para aprender patrones a partir de datos de texto.

LLMs vs. NLP

Mientras que los modelos de NLP (Procesamiento del Lenguaje Natural o Neural Language Processing en inglés) interpretan o transforman el texto existente, los LLM sobresalen en la generación de texto nuevo y coherente desde cero. Pueden crear ensayos, historias e incluso código informático que imita los estilos de escritura humanos. Lo importante a destacar es que no entienden lo que están generando.

Light LLMs (LLM ligeros)

Hoy en día, sin embargo, existe una importancia cada vez mayor de modelos más pequeños (LLM ligeros) para aplicaciones de dominio específicas. Mientras que los modelos más grandes serían todos de «propósito general», los LLM ligeros se desarrollan teniendo en cuenta un uso específico en un sector concreto. Es decir:

• Los modelos grandes utilizan una enorme cantidad de parámetros, sin afinar a un uso específico, consumen mucha energía, a veces con una fiabilidad cuestionable, y que dan respuestas incluso cuando no las conocen.
• Los modelos más pequeños consideran el uso que se le va a dar, afinando sus respuestas (fine-tuning) y el modelo específico para un uso sectorial concreto.

Beneficios de los light LLMs (o LLM ligeros o pequeños)

1. Eficiencia: Los LLM más pequeños requieren de menos recursos computacionales, lo que los hace más rápidos y rentables.
2. Escalabilidad: Las empresas pueden implementar LLM ligeros en varias aplicaciones de forma local sin sobrecargar la infraestructura.
3. Personalización: Los modelos ligeros permiten el fine-tuning para tareas específicas, adaptándolas a las necesidades de la empresa para un sector específico, en lugar de usar modelos “general purpose”, no siempre tan eficaces para ésto.
4. Privacidad: Los modelos más pequeños reducen el riesgo de filtrar inadvertidamente información confidencial. Además, al estar alojados en la empresa, aportan un control más amplio sobre su seguridad, no siendo así en el caso de los grandes modelos, para los que se depende de servicios externos a la empresa, con un coste asociado.
5. Mantenimiento más fácil: Los LLM ligeros son más fáciles de administrar y actualizar.

En conclusión, si bien tanto los LLM de código abierto como los cerrados tienen sus méritos, los LLM ligeros ofrecen ventajas prácticas para las empresas que buscan soluciones eficientes y adaptables. Por lo tanto, las empresas deberían tener en cuenta los requisitos específicos a la hora de elegir el LLM adecuado para su organización.

→ Revisa nuestra solución LLMs

La entrada ¿Qué son los LLMs ligeros? se publicó primero en Mosaic Factor.

Nuestro equipo visitó Kyutech en Japón para colaborar en la creación de productos sanitarios mejorados con IA

Durante la conferencia, pudimos conectar con los principales investigadores, desarrolladores e instituciones de HealthTech. Después de la conferencia, nuestro equipo se reunió con el profesor Sozo Inoue, Director de «Care XDX Center Kyutech», Instituto de Tecnología de Kyushu, centrado en la aplicación de ML e IoT en el reconocimiento de actividades dirigido a la Tecnología de Salud y Enfermería. Estas tecnologías pueden mejorar significativamente la atención y el seguimiento del paciente. También fue relevante la discusión con la doctora Colley de la Universidad de Hokkaido (Noriyo Colley, Ed.D., MNS, BE, BN, RN en Japón y Australia) quien junto con su equipo han desarrollado un interactive simulator para formar enfermer@s y mejorar la calidad de la atención de los pacientes de enfermería y en especial de niñ@s con necesidades especiales en homecare. La formación eficaz de los perfiles de enfermería es esencial para mantener unos servicios sanitarios de alta calidad.

Innovación en Big Data e IA

Estos encuentros facilitarán la colaboración entre las instituciones tanto en el ámbito de la innovación en proyectos de big data e IA, como en la promoción de nuevos productos basados en datos en el mercado internacional para mejorar los sistemas asistenciales (HealthTech). Claramente, colaboraciones como éstas fomentan la innovación: la integración de big data e IA puede conducir a avances en la atención médica, desde análisis predictivos hasta tratamientos personalizados. Es emocionante ver cómo este tipo de colaboración promoverá nuevos productos basados en datos a nivel mundial, mejorando los sistemas de salud.

Seminario en Trustworthy AI

Durante su visita, nuestra CMO, en cumplimiento de su papel como Profesora Asociada en la UAB así como en su trayectoria profesional como experta en estrategia y negocios digitales, realizó el seminario titulado «Trustworthy AI: Resolviendo problemas con datos mientras se genera un impacto positivo en la sociedad» en el Instituto de Tecnología de Kyushu. La charla versó sobre la importancia de trabajar no solo en el uso de los datos para resolver problemas reales de las empresas y la sociedad, sino también sobre la relevancia de pensar y establecer cómo trabajar con los datos a nivel estratégico: prestando atención tanto a los aspectos de mercado como a lo que se denomina IA Confiable (trustworthy AI). Esto incluye elementos como la accesibilidad, la seguridad, la equidad, la rendición de cuentas, la transparencia, la fiabilidad y la solidez de los algoritmos de inteligencia artificial que se integran, así como la capacidad de explicar cómo llegan a sus conclusiones. Es crucial garantizar un desarrollo ético y transparente de la IA. Los factores anteriores son esenciales para construir sistemas de IA que beneficien a la sociedad. Esto significa trabajar con algoritmos de IA con una perspectiva “White box”, incluyendo enfoques explicables por diseño y de equidad por diseño; por lo tanto, hacer que la IA sea confiable al tener también la capacidad de explicar el razonamiento detrás del algoritmo y hacer que esta explicación sea accesible a las diferentes partes interesadas para que puedan tomar decisiones estratégicas y comerciales basadas en esta información, en lugar de trabajar con herramientas de IA como si fueran una caja negra. Por último, la charla incluyó diferentes casos de uso que estamos trabajando en Mosaic Factor sobre la aplicación de algoritmos de IA en diferentes sectores, entre ellos la explicabilidad de los algoritmos de IA y las soluciones Trustworthy AI.

→ Revisa nuestras Soluciones de Trustwothy AI

La entrada Productos mejorados con IA para mejorar la atención sanitaria se publicó primero en Mosaic Factor.