LLMs archivos - Mosaic Factor

AI Congress 2026: por qué gobernanza, datos y adopción importan más que los modelos

mosaic-admin — Mon, 26 Oct 2026 13:15:01 +0000

Tres días de debates en el AI Congress 2026, celebrado en Barcelona, reforzaron un mensaje que conecta profundamente con nuestra visión en Mosaic Factor: ya no basta con construir modelos de IA más potentes.

A medida que la inteligencia artificial pasa de la experimentación a integrarse en las operaciones empresariales cotidianas, el verdadero reto consiste en transformar las capacidades tecnológicas en soluciones que generen un valor medible. A lo largo de las sesiones sobre agentes de IA, gobernanza de datos, datos sintéticos, aprendizaje automático y adopción empresarial, surgió un tema común. Las organizaciones ya no se preguntan qué puede hacer la IA, sino cómo implementarla de forma responsable, escalarla eficientemente y garantizar que produzca resultados significativos.

En Mosaic Factor, muchos de los temas tratados en el Congreso reflejan de cerca los desafíos que abordamos en nuestros propios proyectos, desde la IA fiable y la analítica avanzada hasta la gobernanza de datos, los gemelos digitales y los sistemas de apoyo a la toma de decisiones basados en IA.

Estas son algunas de las principales conclusiones que nos llevamos del evento.

1. La adopción exitosa de la IA empieza por el problema, no por la tecnología

Los agentes de IA evolucionan rápidamente y abren nuevas oportunidades para automatizar flujos de trabajo, abordar tareas complejas y mejorar la toma de decisiones. Sin embargo, con la aparición semanal de nuevos modelos, plataformas y herramientas, las organizaciones se enfrentan a una pregunta fundamental:

¿Por dónde deberíamos empezar?

Uno de los mensajes más prácticos del Congreso fue sorprendentemente sencillo: empezar por el problema. Antes de seleccionar un modelo o adoptar una plataforma, las organizaciones deben comprender:

¿Quién utilizará la solución?
¿Qué problema intenta resolver?
¿Qué parte del proceso necesita mejorar?
¿Cómo se medirán los resultados?

El contexto suele ser el factor decisivo entre una iniciativa de IA exitosa y otra que tiene dificultades para aportar valor. Los sistemas de IA necesitan información relevante sobre los objetivos, los usuarios, las restricciones y los entornos operativos para generar resultados útiles.

Igualmente importante es que la IA se adapte a los flujos de trabajo existentes y a la realidad empresarial. Una implementación eficaz rara vez consiste en sustituir a las personas. Se trata de identificar dónde puede la tecnología ampliar las capacidades de los profesionales, mejorar la eficiencia y facilitar mejores decisiones.

Para nosotros, esto refuerza un principio fundamental: la innovación significativa en IA comienza con una necesidad empresarial claramente definida, no con la tecnología en sí misma.

2. Una IA fiable depende de datos fiables

La gobernanza de datos fue uno de los temas más recurrentes a lo largo del Congreso.

A medida que los sistemas de IA adquieren mayores capacidades, su eficacia depende cada vez más de la calidad, la accesibilidad y la gobernanza de los datos que los sustentan. Varias sesiones se centraron en los espacios europeos de datos y en la creciente importancia de establecer mecanismos fiables para compartir información y colaborar.

Iniciativas como el espacio de datos de UPC demostraron cómo las organizaciones pueden compartir y reutilizar información manteniendo reglas claras sobre el acceso, la propiedad y el uso de los datos.

Entre los sectores abordados durante el evento se encontraban:

Agricultura
Energía
Movilidad
Construcción

En uno de los ejemplos, se integró información geoespacial y medioambiental en un marco común, facilitando que los sistemas de IA evaluaran las condiciones agrícolas, analizaran riesgos y respaldaran decisiones de inversión.

La lección general va mucho más allá de cualquier sector concreto. Conectar conjuntos de datos es solo una parte del desafío. Las organizaciones también deben garantizar que la información conserve su significado dentro del contexto para el que está destinada y que los mecanismos de gobernanza definan claramente cómo puede utilizarse.

Este debate está estrechamente relacionado con el concepto de soberanía digital y con la evolución del marco regulatorio europeo, incluidos el RGPD, el Reglamento de Gobernanza de Datos y el Reglamento Europeo de IA.

Para las empresas, la gobernanza no debe considerarse únicamente una obligación de cumplimiento normativo. Es una base esencial para generar confianza, fomentar la colaboración y adoptar la IA de manera responsable.

3. Los datos sintéticos pueden abrir nuevas oportunidades

Muchos proyectos de IA se enfrentan a un obstáculo común: los datos necesarios para desarrollar, probar o validar una solución pueden ser incompletos, estar fragmentados o no estar disponibles.

Los datos sintéticos ofrecen una posible vía para abordar este desafío.

Un ejemplo especialmente interesante presentado durante el Congreso se centró en la planificación de la movilidad en entornos rurales. A diferencia de las grandes áreas urbanas, las comunidades rurales suelen tener poblaciones dispersas y opciones de transporte limitadas. Esto dificulta la recopilación de datos completos sobre movilidad, al mismo tiempo que hace más importante una planificación eficiente del transporte.

El caso de uso de movilidad de Nemi mostró cómo las simulaciones basadas en IA pueden generar demanda de movilidad sintética y matrices de origen-destino combinando información como:

Áreas de interés
Posibles orígenes y destinos de los desplazamientos
Patrones temporales y restricciones

Estos conjuntos de datos simulados permiten a los planificadores evaluar posibles servicios de transporte y explorar patrones de movilidad incluso cuando no se dispone de datos completos del mundo real.

El ejemplo puso de relieve una cuestión importante sobre los datos sintéticos: su valor depende de cómo y dónde se utilicen.

Los datos sintéticos pueden ser muy eficaces para la creación de prototipos, las simulaciones y las pruebas previas a la producción. Sin embargo, las organizaciones deben comprender sus limitaciones y evaluar cuidadosamente si se necesita una validación adicional antes de implementar soluciones en entornos operativos.

Como ocurre con cualquier sistema de IA, el éxito depende de elegir la herramienta adecuada para cada propósito.

4. La IA debe ser escalable, eficiente y sostenible

Otro mensaje recurrente durante el Congreso fue que el rendimiento técnico por sí solo no es suficiente. Una prueba de concepto exitosa no se convierte automáticamente en un sistema de producción exitoso.

A medida que las soluciones de IA escalan, las organizaciones se enfrentan a nuevos desafíos relacionados con la infraestructura, la complejidad operativa, los costes y el consumo de recursos.

Durante los debates aparecieron repetidamente tres dimensiones de la eficiencia:

Eficiencia económica. Comprender las implicaciones financieras de implementar, operar y escalar sistemas de IA.
Eficiencia en el uso de recursos. Seleccionar los modelos y las arquitecturas adecuados para cada caso de uso, en lugar de optar por defecto por la solución más grande o compleja.
Eficiencia medioambiental. Tener en cuenta los requisitos energéticos y de recursos asociados al despliegue de la IA.

La eficiencia operativa es igualmente importante. Las organizaciones deben determinar:

Qué tareas deben automatizarse.
En qué situaciones sigue siendo necesaria la supervisión humana.
Cómo deben gestionar los sistemas las excepciones y las situaciones inesperadas.
Cómo estructurar los flujos de trabajo para equilibrar el rendimiento, la gobernanza y los costes.

Esta distinción es importante. El objetivo no es simplemente implementar IA, sino crear soluciones que sigan generando un valor empresarial medible a lo largo del tiempo.

5. La gobernanza, la seguridad y la rendición de cuentas no pueden dejarse para el final

A medida que la IA se integra en procesos empresariales cada vez más importantes, la gobernanza y la seguridad se convierten en factores esenciales para una adopción sostenible. Varios debates destacaron que los sistemas de IA no son estáticos:

Los modelos evolucionan.
Las configuraciones cambian.
Las instrucciones o prompts se actualizan.
Se incorporan nuevos datos.

Por ello, el rendimiento, el cumplimiento normativo y los riesgos no pueden evaluarse una sola vez y olvidarse después.

Las organizaciones necesitan procesos estructurados para:

Supervisar el comportamiento de los sistemas.
Documentar las decisiones.
Evaluar los riesgos de forma continua.
Responder a los problemas emergentes.
Demostrar el cumplimiento normativo cuando sea necesario.

Estos requisitos son especialmente importantes en sectores regulados, donde las organizaciones pueden necesitar explicar cómo funcionan los sistemas de IA y aportar pruebas de que existen controles adecuados.

Los debates también destacaron la importancia de las personas que trabajan junto a la IA.

Proporcionar a los empleados acceso a herramientas de IA no garantiza automáticamente una adopción exitosa.
La formación, la gestión del cambio, las políticas internas y el apoyo continuo desempeñan un papel fundamental.
Por tanto, una IA fiable no es un logro puntual. Requiere atención continua a la gobernanza, la seguridad, la rendición de cuentas y la supervisión humana.

6. Más allá de la IA generativa: el aprendizaje automático tradicional sigue aportando valor

Aunque la IA generativa y los agentes de IA dominaron muchas conversaciones, el Congreso también ofreció un recordatorio importante: el aprendizaje automático tradicional sigue resolviendo problemas empresariales reales.

Muchos casos de uso relacionados con la predicción, la clasificación, la detección de anomalías y el análisis de datos estructurados siguen siendo muy eficaces sin necesidad de recurrir a grandes modelos de lenguaje.

Al mismo tiempo, la IA multimodal está creando nuevas oportunidades al combinar texto, imágenes y otros tipos de información en sistemas integrados. Ambos enfoques tienen su valor.

La lección fundamental es que la elección tecnológica debe estar determinada por el problema que se pretende resolver. El modelo más reciente no es necesariamente el más adecuado.

Las estrategias de IA exitosas requieren una comprensión clara de las tecnologías disponibles, los objetivos empresariales y las restricciones operativas.

En última instancia, la innovación debe medirse por el valor que genera, no por la sofisticación de la tecnología en sí misma.

La próxima fase de la adopción de la IA

Al analizar los debates del AI Congress 2026, nuestra principal conclusión es que el futuro de la IA no estará definido únicamente por modelos más grandes, un mayor número de parámetros o nuevas capacidades.

Estará determinado por la capacidad de las organizaciones para:

Identificar problemas empresariales relevantes.
Construir sobre datos fiables y bien gobernados.
Implementar la IA de forma eficiente y sostenible.
Mantener la seguridad, la rendición de cuentas y la supervisión humana.
Generar resultados medibles más allá de la fase de prueba de concepto.

Estos desafíos están profundamente interconectados. Abordarlos requiere algo más que conocimientos técnicos. Es necesaria la colaboración entre expertos del dominio, responsables empresariales y especialistas en IA para garantizar que las soluciones no solo sean técnicamente capaces, sino también útiles, fiables y alineadas con las necesidades del mundo real.

En Mosaic Factor, creemos que la adopción exitosa de la IA se produce cuando las capacidades tecnológicas se combinan con una gobernanza sólida, datos de alta calidad y una comprensión clara de las personas que finalmente utilizarán la solución.

Esa fue, quizás, la lección más valiosa del AI Congress 2026 y una que sigue guiando nuestro trabajo en ámbitos como la salud, la industria, la movilidad y áreas emergentes como los vehículos definidos por software (Software-Defined Vehicles).

La entrada AI Congress 2026: por qué gobernanza, datos y adopción importan más que los modelos se publicó primero en Mosaic Factor.

BNEW 2026: tendencias de la IA sanitaria, medicina de precisión e IA responsable

mosaic-admin — Mon, 19 Oct 2026 07:53:36 +0000

Desde la robótica y los gemelos digitales hasta el análisis predictivo y la medicina de precisión, Barcelona New Economy Week (BNEW) 2026 puso de relieve cómo la inteligencia artificial está transformando todos los sectores de la economía. Para Mosaic Factor, empresa especializada en IA sanitaria, analítica avanzada y soluciones de IA fiables, el evento ofreció información valiosa sobre algunos de los retos más importantes a los que se enfrenta actualmente la innovación sanitaria.

IA sanitaria en BNEW 2026: medicina de precisión, explicabilidad y mitigación de sesgos

Entre las numerosas sesiones centradas en la IA, los debates sobre longevidad, medicina personalizada y diversidad de los datos resultaron especialmente relevantes. Estos temas se sitúan en la intersección de la IA sanitaria, la inteligencia artificial explicable (XAI) y el desarrollo responsable de la IA, y plantean una pregunta fundamental tanto para los investigadores como para los proveedores tecnológicos: ¿pueden los sistemas de IA ser realmente eficaces si faltan poblaciones clave en los datos utilizados para entrenarlos?

La IA, en el centro de la nueva economía

La séptima edición de Barcelona New Economy Week (BNEW) se celebró del 5 al 7 de octubre de 2026 en DFactory Barcelona. Organizado por el Consorci de la Zona Franca de Barcelona, el evento reunió a cientos de expertos, innovadores y startups de ocho sectores: inteligencia artificial, salud, energía, agroalimentación, aviación y espacio, ciencia, talento y videojuegos.

Este año, la inteligencia artificial contó por primera vez con un programa propio, después de seis ediciones en las que había sido un tema transversal. Las sesiones exploraron cómo la IA está transformando el empleo, los modelos de negocio y los procesos de toma de decisiones, con aportaciones de organizaciones como el Barcelona Supercomputing Center, Oracle e Ibercaja.

La influencia de la IA fue mucho más allá de su programa específico. El programa de Salud mostró la automatización y la robótica quirúrgica en directo. Las sesiones de Energía se centraron en el papel creciente de los datos y la IA en la transición energética. Por todo el recinto, robots humanoides, robots colaborativos y simuladores de movilidad autónoma demostraron la rapidez con la que la IA está pasando de los entornos de investigación a las aplicaciones reales.

Para Mosaic Factor, BNEW ofreció una visión valiosa de la dirección que está tomando la innovación en IA en múltiples sectores. Muchos de los temas tratados —como la IA fiable, la calidad de los datos, la robótica, el análisis predictivo y los gemelos digitales— están directamente relacionados con los retos que abordamos en nuestros propios proyectos.

Tendencias de IA observadas en BNEW 2026

En las sesiones de IA, Salud, Energía e Industria surgieron varios temas comunes:

Adopción creciente de sistemas de apoyo a la toma de decisiones basados en IA.
Mayor demanda de una IA explicable y fiable.
Uso más extendido del análisis predictivo y de los gemelos digitales.
Integración de datos multimodales para ofrecer servicios personalizados.
Gran atención a la gobernanza, la transparencia y la regulación de la IA.

Estas tendencias están estrechamente alineadas con las soluciones que Mosaic Factor desarrolla en los ámbitos sanitario, de la movilidad y de la industria.

Aunque la innovación en IA estuvo presente en todo el evento, la atención sanitaria destacó como uno de los ámbitos en los que se espera que la IA tenga mayor impacto, al tiempo que plantea algunas de las preguntas más importantes sobre fiabilidad, explicabilidad y sesgos.

IA sanitaria, investigación sobre longevidad y medicina de precisión

El 6 de octubre, la sesión de Salud de BNEW «Longevity and Healthy Aging: Strategies for a Longer-Lived Society» reunió a investigadores y profesionales clínicos que trabajan en genética, neurociencia y nutrición integrativa.

Más allá de la longevidad en sí, el debate puso de relieve tendencias más amplias que están configurando el futuro de la IA sanitaria:

La transición hacia la medicina de precisión.
La integración de fuentes de datos multimodales.
La importancia de la diversidad de los datos tanto en la investigación clínica como en los sistemas de aprendizaje automático.

El panel abordó tres avances con implicaciones directas para la IA sanitaria:

Epigenética: el estilo de vida y el entorno influyen en cómo se expresan los genes.
Tratamiento personalizado y multimodal: combinación de intervenciones adaptadas a cada persona.
Representatividad de los datos: necesidad de contar con poblaciones de investigación y conjuntos de datos más diversos.

Cada uno de estos retos está estrechamente relacionado con el trabajo de Mosaic Factor en análisis predictivo y sistemas de apoyo a las decisiones clínicas, donde la fiabilidad de los modelos depende de la calidad, la diversidad y la representatividad de los datos disponibles.

Genética y epigenética: cómo el estilo de vida influye en la expresión génica

Uno de los participantes en el panel utilizó la analogía de un juego de cartas para explicar la relación entre genética y epigenética. Cada persona recibe una mano al nacer y hereda la mitad de sus genes de cada progenitor. Esas cartas no se pueden cambiar, pero sí la manera de jugarlas.

La epigenética describe cómo los factores ambientales y del estilo de vida influyen en que determinados genes se activen o permanezcan silenciados. La actividad física, la alimentación, la calidad del sueño y la gestión del estrés desempeñan un papel importante en los resultados de salud a largo plazo.

En el debate se señaló que una proporción considerable de los casos de demencia está asociada a factores de riesgo modificables. Cada vez hay más investigaciones que muestran que el envejecimiento saludable no puede explicarse únicamente por la genética. Surge, más bien, de la interacción entre las predisposiciones genéticas, las decisiones relacionadas con el estilo de vida y las condiciones ambientales a lo largo de la vida.

En el ámbito de la IA sanitaria, esto refuerza la necesidad de modelos capaces de integrar múltiples fuentes de información, en lugar de depender de una sola variable o conjunto de datos.

Tratamiento personalizado y multimodal para un envejecimiento saludable

El panel subrayó que ninguna intervención por sí sola puede abordar eficazmente el envejecimiento. Las estrategias más prometedoras son multimodales: combinan distintos enfoques terapéuticos y los adaptan a las características de cada persona.

El sexo biológico, la ascendencia, la edad y los antecedentes clínicos influyen en la respuesta de los pacientes a las enfermedades y los tratamientos. Por ello, la investigación sobre longevidad converge cada vez más con los principios de la medicina de precisión, cuyo objetivo es ofrecer la intervención adecuada al paciente adecuado en el momento adecuado.

Este mismo cambio de paradigma está transformando la IA sanitaria. Los sistemas modernos de IA deben integrar cada vez más datos clínicos, genómicos, de imágenes y de comportamiento para respaldar recomendaciones más personalizadas y relevantes.

Sesgos en la IA sanitaria: por qué importa la diversidad de los datos

La conclusión más importante para Mosaic Factor se refería a la composición de los conjuntos de datos que sustentan tanto la investigación clínica como los modelos de IA.

Según los ponentes, buena parte del conocimiento actual sobre el envejecimiento sigue derivándose de estudios con personas de ascendencia europea. Otras poblaciones continúan estando comparativamente infrarrepresentadas, pese a su considerable diversidad genética. Esto tiene consecuencias prácticas: los tratamientos y las intervenciones que funcionan bien en una población pueden no producir los mismos resultados en otra.

El mismo reto se aplica directamente a la IA sanitaria.

Un modelo de aprendizaje automático solo puede aprender de los datos con los que se entrena. Si determinadas poblaciones están infrarrepresentadas, el modelo puede mostrar un buen rendimiento medio y, aun así, ser sistemáticamente menos preciso para algunos grupos. En el ámbito sanitario, esto puede contribuir a resultados clínicos desiguales y a una menor confianza en los sistemas de IA.

A medida que la IA se integra cada vez más en los flujos de trabajo clínicos, garantizar la calidad y la representatividad de los datos deja de ser únicamente un reto técnico y pasa a ser también una exigencia ética y normativa.

Cómo desarrollamos una IA sanitaria fiable en Mosaic Factor

En Mosaic Factor, una IA sanitaria fiable empieza por la calidad de los datos, la explicabilidad y una validación rigurosa. A medida que las organizaciones sanitarias adoptan sistemas de apoyo a la toma de decisiones basados en IA, reducir los sesgos y garantizar la transparencia resulta esencial tanto para la confianza clínica como para el cumplimiento normativo.

Nuestro enfoque se basa en cinco prácticas fundamentales:

Evaluar la representatividad desde el principio. Antes de desarrollar un modelo, analizamos quién está incluido en el conjunto de datos y quién falta, teniendo en cuenta factores como el sexo, la edad, la ascendencia y el perfil clínico.
Validar el rendimiento por subgrupos. La precisión global no basta. Evaluamos cómo funcionan los modelos en distintas poblaciones para identificar posibles desigualdades antes de su implementación.
Explicar cada predicción. Mediante la IA explicable (XAI), los profesionales sanitarios pueden comprender qué factores han contribuido más a una predicción e incorporar esa información a su criterio clínico.
Comunicar la incertidumbre. Buscamos cuantificar y comunicar los niveles de confianza de los resultados de los modelos. Este principio también guía nuestro trabajo fuera del ámbito sanitario, incluidas las aplicaciones de previsión de energía y autonomía desarrolladas en el proyecto Twin-Loop. Los sistemas de IA deberían poder indicar cuándo operan fuera de las condiciones representadas en sus datos de entrenamiento.
Colaborar con socios clínicos y de investigación. Trabajar estrechamente con hospitales, centros de investigación y profesionales clínicos ayuda a garantizar que las soluciones de IA sigan siendo pertinentes, estén validadas y se centren en la experiencia humana.

Medicina de precisión e IA responsable: un reto compartido

BNEW 2026 reforzó un mensaje visible en los programas de IA, Salud e Industria: las organizaciones están pasando de explorar lo que puede hacer la IA a implementar sistemas que deben ser fiables, explicables y capaces de funcionar en entornos reales complejos.

En el ámbito sanitario, esto significa combinar las posibilidades de la medicina de precisión con enfoques rigurosos sobre la calidad de los datos, la transparencia y la mitigación de sesgos. Los mismos fundamentos que respaldan una mejor investigación también favorecen una mejor IA.

El futuro de la IA sanitaria dependerá no solo de algoritmos más potentes, sino también de mejores datos, mayor transparencia y una colaboración más sólida entre profesionales clínicos, investigadores y proveedores tecnológicos.

En Mosaic Factor, estos principios guían el diseño y la implementación de nuestras soluciones de IA sanitaria, desde el análisis predictivo y las herramientas de apoyo a las decisiones hasta las aplicaciones de IA explicable desarrolladas junto con organizaciones sanitarias y de investigación.

Eventos como BNEW nos ayudan a mantenernos al día de las últimas innovaciones en IA, las nuevas regulaciones y los avances científicos que darán forma al futuro de la atención sanitaria basada en datos.

Agradecemos al Consorci de la Zona Franca de Barcelona y a todos los ponentes este evento tan enriquecedor, y esperamos continuar estas conversaciones a medida que se acelera la adopción de la IA en la atención sanitaria y en otros sectores esenciales.

La entrada BNEW 2026: tendencias de la IA sanitaria, medicina de precisión e IA responsable se publicó primero en Mosaic Factor.

El papel de la IA en la logística multimodal y el transporte ferroviario sostenible

mosaic-admin — Thu, 05 Feb 2026 09:29:30 +0000

La semana pasada, nuestro equipo tuvo el privilegio de participar en una mesa redonda de alto nivel en el CIDAI (Centre of Innovation for Data Tech and AI) en Barcelona, donde se promovió el diálogo en el sector sobre el intercambio de datos entre los ecosistemas de logística, movilidad e IA. Stefano Persi, director ejecutivo, debatió cómo la IA puede contribuir de forma práctica a una logística más eficiente, sostenible y resiliente, centrándose en el transporte multimodal y el papel del transporte ferroviario de mercancías en la construcción de redes logísticas más inteligentes.

El debate se enmarcó en el trabajo más amplio sobre el libro blanco del CIDAI, elaborado a través de su grupo de expertos con contribuciones de actores públicos y privados. Como participantes en este esfuerzo, nos complace haber contribuido a la mesa redonda, donde Stefano Persi compartió ejemplos prácticos y casos prácticos que destacan el papel de la IA y el intercambio fiable de datos en entornos logísticos reales.

Visión del sector

Los volúmenes de transporte de mercancías por ferrocarril se mantienen por debajo de la media europea y una tasa de 5 millones de euros agrava el desafío. El transporte de mercancías por ferrocarril sigue enfrentándose a desafíos operativos y estructurales, a pesar de que se espera un crecimiento significativo de la demanda.

En consonancia con los objetivos de Neutralidad Climática 2050, se proyecta que los volúmenes de transporte de mercancías por ferrocarril se dupliquen en comparación con los promedios históricos recientes. Lograr este crecimiento requerirá no solo inversión en infraestructura, sino también una mejor coordinación, optimización y colaboración en todo el ecosistema logístico.

Desde la perspectiva de CIMALSA, , la multimodalidad es un factor clave para mejorar la eficiencia y la sostenibilidad logística. El modelo óptimo combina el ferrocarril para el transporte de media y larga distancia y el transporte por carretera, principalmente para operaciones de primera y última milla. La IA facilita esta transición al facilitar la reasignación de los flujos de transporte del camión al ferrocarril, optimizando rutas, horarios y el uso de la capacidad. Este enfoque puede reducir significativamente las emisiones en comparación con el transporte exclusivamente por carretera, manteniendo al mismo tiempo la flexibilidad operativa.

El intercambio de datos y el papel de los espacios de datos

Un desafío recurrente identificado es la reticencia de los operadores y agentes logísticos a compartir información. Si bien las preocupaciones sobre la privacidad son legítimas, a menudo limitan la optimización de todo el sistema. Los espacios de datos se destacaron como un factor clave, ya que proporcionan:

Intercambio seguro de datos y acceso controlado.
Reglas claras sobre cómo se comparten y utilizan los datos.
Base técnica para que las herramientas de IA sugieran rutas, calculen costos y simulen escenarios operativos.

Al garantizar la confianza en los datos, los espacios de datos permiten que la IA facilite una mejor toma de decisiones sin comprometer la información empresarial confidencial.

Desafíos del sector logístico

Cinco grandes desafíos configuran el futuro del transporte ferroviario de mercancías y la logística:

Presión por la sostenibilidad y la descarbonización.
Resiliencia ante las crisis globales y geopolíticas.
Congestión urbana y gestión de la última milla.
Interoperabilidad digital y vulnerabilidades de ciberseguridad.
Preparación organizativa y transformación tecnológica.

Estos desafíos están estrechamente interconectados y requieren respuestas coordinadas.

Dónde la IA puede aportar valor tangible

La IA ya está demostrando beneficios mensurables en las operaciones de transporte y distribución, donde puede generar mejoras en eficiencia, costes y sostenibilidad. Para Mosaic Factor, esto incluye proyectos de automatización para la carga y descarga de contenedores en puertos.

A pesar de su potencial, existen barreras que dificultan la adopción de la IA. Estos desafíos incluyen:

Falta de una estrategia de IA dentro de las organizaciones,
problemas de gobernanza y fragmentación de datos,
falta de datos históricos de calidad, dificultad para evaluar el ROI de las iniciativas de IA,
y un entorno regulatorio complejo e inconsistente. Abordar estas barreras requiere una alineación estratégica más clara entre tecnología, operaciones y regulación.

Los participantes coincidieron en un modelo de tres niveles para el sector:

Digitalización: digitalización y automatización básicas, donde el progreso ya es visible.
Intercambio de datos: intercambio seguro de datos, que permite la visibilidad de la red.
Visibilidad y casos de éxito: más redes que logística y visibilidad de los casos de éxito.

Avanzar en estos niveles es esencial para liberar todo el potencial de la IA en la logística.

Conclusiones

La eficiencia logística depende de la combinación eficaz de innovación, sostenibilidad y regulación. La pregunta clave para los operadores es qué valor se crea al compartir datos. La IA, al combinarse con la multimodalidad y marcos confiables de intercambio de datos, puede mejorar significativamente la eficiencia, la sostenibilidad y la resiliencia de los sistemas de transporte ferroviario de mercancías y logística.

Durante la mesa redonda, Stefano destacó tres proyectos a los que contribuyó Mosaic Factor:

Pioneers: Predicción del Transporte de Contenedores (Iniciativa de Puertos Verdes de la UE)
Port of Antwerp-Bruges: Predictor del Flujo de Carga
Disruptive: Detección y Clasificación de Interrupciones en la Red Logística

En conjunto, estos proyectos muestran el impacto práctico de la IA y la colaboración de datos en operaciones logísticas reales, fundamentando el debate de la mesa redonda de CIDAI en soluciones tangibles.

Clica aquí para leer el documento completo del CIDAI.

La entrada El papel de la IA en la logística multimodal y el transporte ferroviario sostenible se publicó primero en Mosaic Factor.

Agentic RAG para IA

mosaic-admin — Thu, 11 Dec 2025 14:15:33 +0000

La Generación Aumentada por Recuperación (RAG, por sus siglas en inglés) ha sido durante mucho tiempo una piedra angular de las aplicaciones impulsadas por IA, pero una nueva evolución arquitectónica –RAG Agéntico- se está convirtiendo rápidamente en la norma de la industria para sistemas listos para producción.

Más allá del RAG tradicional

Los canales del RAG tradicional incorporan una consulta, recuperan contexto y generan una respuesta. Agentic RAG introduce inteligencia en el proceso. Clasificando la intención antes de decidir si es necesario recuperar información, llamar a herramientas o responder directamente, las empresas reportan reducciones de costos de hasta el 40% y mejoras de latencia del 35%.

Patrones clave que impulsan su adopción

Los expertos de la industria señalan tres patrones arquitectónicos que definen Agentic RAG:

Intent-Based Query Routing: determina si es necesario recuperar información o si una respuesta directa es suficiente.
Orquestación de herramientas con gestión de errores: coordina APIs, calculadoras y bases de datos mientras gestiona los errores de manera eficiente.
Evaluación continua de costes y latencia: controla el uso de tokens y los indicadores de rendimiento en tiempo real.

Estos patrones permiten a los sistemas decidir, adaptarse y optimizar, un requisito crítico para la IA a escala empresarial.

Arquitectura en la práctica

Los sistemas Agentic RAG normalmente se construyen sobre tres capas:

Capa de Orquestación: el “cerebro de decisión” que dirige las consultas de manera inteligente.
Capa de Ejecución: gestiona la recuperación de información, las llamadas a herramientas y la inferencia LLM.
Capa de Infraestructura: proporciona bases de datos vectoriales, gestión del despliegue y observabilidad.

A diferencia del RAG tradicional, que siempre realiza recuperación de información, el Agentic RAG evalúa si la recuperación es necesaria, organizando la combinación óptimade recuperación, herramientas y generación.

Flexibilidad del proveedor a través de capas de gateway

Otra tendencia clave es el auge de las abstracciones de gateway que permiten a los desarrolladores cambiar sin problemas entre proveedores como OpenAI, Anthropic, Google y Bedrock. Este enfoque permite:

Enrutamiento de reserva cuando los proveedores tienen tiempos de inactividad;
pruebas A/B sin cambios de código;
optimización de costos dirigiendo las consultas al modelo más eficiente;
libertad respecto a la dependencia de un proveedor.

Las empresas están adoptando cada vez más pasarelas unificadas para equilibrar velocidad, coste y fiabilidad entre los proveedores.

Conclusión

El Agentic RAG ya no es un experimento de nicho, sino el modelo para los sistemas de IA de producción. Al combinar la recuperación con la toma de decisiones, la orquestación y la observabilidad, la técnica establece nuevos estándares de eficiencia y adaptabilidad en la IA empresarial.

“La IA de producción no se trata solo de la recuperación. Se trata de inteligencia: saber cuándo recuperar, cuándo usar herramientas y cuándo responder directamente. El Agentic RAG ofrece esa inteligencia”.

La entrada Agentic RAG para IA se publicó primero en Mosaic Factor.

Conferencia Software-Defined Vehicles Berlin 2025

mosaic-admin — Fri, 05 Dec 2025 10:52:26 +0000

Nuestro equipo ha participado en la conferencia Software-Defined Vehicles Conference en Berlin, que reunió a las principales voces en innovación automotriz, con un fuerte enfoque en cómo la Inteligencia Artificial (IA) está transformando la industria. En varias sesiones, los expertos mostraron cómo la IA está impulsando avances en seguridad, personalización y procesos de desarrollo.

Sesiones clave sobre IA

Agentic AI in the Car: From Orchestration to Agentic Personalisation

Speaker: Dogukan Sonmez, Project Lead Machine Learning Platform, BMW AG
Focus: aplicaciones de IA generativa más allá del texto, manejando modelos 3D, flujos de sensores y datos específicos de dominio.
Highlight: exploró las arquitecturas de sistemas multiagente y las técnicas de orquestación, mostrando cómo la IA agente puede mejorar la eficiencia, la adaptabilidad y la toma de decisiones en los SDV.

Esta sesión reveló enfoques innovadores para integrar la IA en el núcleo mismo de la inteligencia vehicular, convirtiéndola en una de las charlas más vanguardistas del evento.

Scalable Function Deployment for SDV

Speaker: Michael Niklas-Höret, AUMOVIO

Focus: la continua (R)evolución de las arquitecturas E/E en los vehículos, desde el enfoque descentralizado centrado en dominios hasta Server Zone y Central Compute/Zero Edge, y el desafío resultante de desplegar funciones a través de estas diversas arquitecturas.
Highlight: introducción de un nuevo patrón de desarrollo de funciones diseñado para permitir la reutilización de funciones a través de las tres arquitecturas principales (y sus híbridos), con el objetivo de facilitar la migración de los fabricantes de equipos originales (OEM) a nuevas plataformas E/E y aumentar la reutilización entre las líneas de vehículos.

From Code to Car – Accelerating SDV Integration with Shift-Left and CI/CT

Speaker: Felix Pretscheck, Bosch
Focus:cómo la introducción de unidades de control electrónico (ECU) de próxima generación, combinada con un enfoque de shift-left, la virtualización y un marco modular de CI/CT (Integración Continua/Pruebas Continuas), está transformando y acelerando el proceso de integración de software y sistemas para Vehículos Definidos por Software (SDV).
Highlight: mostrando metodologías clave y facilitadores arquitectónicos que optimizan la integración y validación, lo que conduce a una mejor calidad del software, ciclos de integración más rápidos y sistemas automotrices complejos más ágiles, escalables y listos para producción.

Coding for Cars: AI in the Driver’s Seat

Speaker: Mikhail Vink, VP of Business Development, JetBrains
Focus: el papel del desarrollo impulsado por IA en industrias reguladas, garantizando la calidad y seguridad del código generado por IA, e integrando la IA en DevOps.
Highlight: demostró cómo la IA puede agilizar los procesos de codificación mientras mantiene el cumplimiento y los estándares de seguridad.

Between Research and Current Development in ADAS

Speaker: Khaled Alomari, Manager Connected Vehicles, MHP (A Porsche Company)
Focus: uniendo la investigación de vanguardia con el desarrollo real de Sistemas Avanzados de Asistencia al Conductor (ADAS).
Highlight: se enfatizó la colaboración entre el ámbito académico, la industria y los reguladores para acelerar la adopción de ADAS impulsados por IA.

Khaled subrayó el papel fundamental de la IA en la mejora de la seguridad y la eficiencia, haciendo de esta sesión un evento imprescindible para cualquiera interesado en el futuro de los vehículos conectados.

Mastering Complexity with Digital Twins

Speaker: Ignacio Izaguirre, VP of Product, Concentrio AG
Focus: aprovechando los gemelos digitales a nivel de señal para la gestión de software.
Highlight: mostró cómo aplicar la inteligencia artificial a redes de dependencia puede identificar anomalías y vulnerabilidades, mejorando las actualizaciones OTA y la fiabilidad del sistema.

AI-Driven Autonomy in SDVs

Speaker: Shashank Pathak, Product Management, ZF Friedrichshafen AG
Focus: cómo la IA permite la percepción, planificación y control en los SDV autónomos.
Highlight: se discutieron los desafíos de implementar IA en hardware automotriz y las estrategias para una autonomía segura y escalable.

Talleres y sesiones world café

Los talleres «Challenge your peers» reunieron a los participantes en pequeñas mesas redondas moderadas, donde debatimos preguntas urgentes de la industria utilizando inteligencia colectiva y mapas mentales. Los temas abordaron desde cómo evoluciona la prueba de software bajo arquitecturas SDV, el papel de la IA en el desarrollo automotriz y el futuro del cumplimiento de ASPICE, hasta la redefinición de las experiencias dentro del automóvil mediante HMI avanzado y la exploración de la autonomía impulsada por IA. Cada taller animaba a los asistentes a compartir experiencias, cuestionar supuestos y co-crear conceptos de soluciones. De manera similar, el formato World Café proporcionó un entorno dinámico para el aprendizaje entre pares, la creación de redes interindustriales y la generación de ideas accionables que complementaban las presentaciones y estudios de caso más formales.

Nuestras conclusiones

La conferencia destacó que la inteligencia artificial ya no es una herramienta periférica, sino un pilar central en la evolución de los vehículos definidos por software. Desde la personalización agente en BMW hasta los ADAS impulsados por IA en MHP, las sesiones demostraron cómo la inteligencia se está integrando en cada capa de la innovación automotriz. Estas charlas no solo mostraron aplicaciones actuales, sino que también apuntaron hacia un futuro donde los vehículos sean adaptativos, inteligentes y profundamente conectados.

La entrada Conferencia Software-Defined Vehicles Berlin 2025 se publicó primero en Mosaic Factor.

Smart City Expo Barcelona

mosaic-admin — Mon, 17 Nov 2025 14:41:38 +0000

Nuestro equipo ha participado en la edición de este año del Smart City Expo World Congress, el evento global líder en innovación urbana. La exposición reunió a proveedores de tecnología, municipios, investigadores e instituciones para explorar cómo las soluciones digitales pueden transformar las ciudades en entornos más inteligentes, seguros y sostenibles.

Aquí están las tendencias y desarrollos clave que se destacaron.

Digital Twins como protagonistas

La tecnología Digital Twin (DT) ha sido uno de los temas más destacados en los stands de los expositores. Las ciudades están adoptando cada vez más los DT para simular y gestionar sistemas urbanos complejos. Las aplicaciones más comunes mostradas incluyen:

Emergency y disaster management
Human behaviour modelling
Traffic and parking optimisation
Energy demand forecasting
Urban planning, cómo identificar áreas donde se necesitan nuevas instalaciones de cuidado infantil

Varias empresas también presentaron la evolución del concepto Citiverse, parte de una iniciativa europea que integra Digital Twins con ciberseguridad, IoT y otras tecnologías avanzadas (Proyecto Citiverse de la Comisión Europea). Otro punto destacado fue la introducción de los 4D Digital Twins, que incorporan la dimensión temporal para permitir simulaciones urbanas predictivas (Nfold ROI).

Smart Cities y visual Language Models

La innovación en IA fue otro de los grandes focos. NVIDIA presentó su plataforma de Modelo de Lenguaje Visual (VLM) para ciudades, diseñada para transformar los datos de imágenes capturados por sensores en un “cerebro de la ciudad” inteligente capaz de interpretar escenarios urbanos actuales y potenciales. Se demostraron aplicaciones prácticas en Leipzig, donde se están utilizando DT impulsados por IA para optimizar los aparcamientos y la infraestructura para bicicletas. Mientras tanto, la Universidad de Hamburgo mostró proyectos de IA colaborativos y de código abierto, poniendo énfasis en su interés por unirse a iniciativas financiadas por Europa (DCS Intro 2024).

Cybersecurity y Global Engagement

La ciberseguridad ha sido un tema recurrente durante toda la exposición, destacando su papel crucial en la protección de las infraestructuras de las ciudades inteligentes. Cabe señalar que el Banco Mundial participó activamente, reflejando la importancia global de los ecosistemas digitales seguros.

Nuestra contribución: Open Innovation Challenges

Como parte de nuestra participación, participamos en desafíos de innovación abierta, presentando propuestas que aprovechan los grandes Modelos de Lenguaje (LLM) y los Gemelos Digitales para aplicaciones corporativas. Estas iniciativas demuestran nuestro compromiso con superar los límites de la inteligencia artificial y la tecnología urbana, asegurando que las ciudades del futuro sean no solo más inteligentes, sino también más resilientes e inclusivas.

Nuestra presencia en la Smart City Expo de Barcelona reafirmó nuestro papel como proveedor de tecnología con visión de futuro. Contribuyendo a las discusiones sobre Gemelos Digitales, IA, ciberseguridad e innovación abierta, continuamos dando forma al futuro de la vida urbana, impulsando soluciones que hacen que las ciudades sean más adaptativas, eficientes y centradas en las personas.

La entrada Smart City Expo Barcelona se publicó primero en Mosaic Factor.

IA General vs. IA Generativa: lo que significan para tu negocio

mosaic-admin — Mon, 22 Sep 2025 12:26:11 +0000

La inteligencia artificial ya no es solo una moda, es una tecnología aceleradora de negocios. Pero con términos como Inteligencia Artificial General (AGI), IA generativa (GenAI), y machine learning (ML), es fácil perderse en la jerga. En Mosaic Factor, nos especializamos en traducir el potencial de la IA en soluciones prácticas y escalables adaptadas a tu negocio. Desglosemos los principales tipos de IA y cómo te ayudamos a aplicarlos.

AGI: el horizonte a largo plazo

La IA General, o Inteligencia Artificial General (AGI, en inglés), se refiere a máquinas que pueden realizar cualquier tarea intelectual que un humano puede. Es flexible, autónoma y capaz de razonar en diversos dominios. Estado Actual: La IAG sigue siendo teórica. Ningún sistema existente ha logrado una verdadera inteligencia general. Creemos que este es un tema altamente atractivo, y estamos monitoreando los desarrollos con gran interés y anticipación.

Generative AI: creatividad en el mundo real a gran escala

La IA generativa (o GenAI en inglés) ya está transformando industrias. Estos modelos crean nuevo contenido – texto, imágenes, código, audio, entre otros – basado en patrones de datos aprendidos. Casos de uso que podemos ofrecer para GenAI:

Generación de contenido automatizado para industrias específicas (como la atención médica).
Resumir documentos y análisis de contratos para equipos legales o de cumplimiento normativo.
Chatbots inteligentes para consultas internas de la empresa o soporte al cliente.
Herramientas de generación y depuración de código para desarrolladores específicos de la industria (como el automotriz).

Nuestras soluciones: construimos y ajustamos modelos de IA generativa utilizando los datos propietarios de nuestros clientes, asegurando que los resultados sean precisos, alineados con la organización y cumplan con las normativas. Ya sea que necesiten un asistente personalizado estilo GPT o un generador de imágenes para el diseño de productos, podemos hacerlo realidad.

Técnicas de IA específicas

Nuestro enfoque principal es permitir que las empresas resuelvan desafíos precisos a través de técnicas avanzadas de inteligencia artificial. Es lo que siempre hemos hecho – lo que llamamos ‘IA tradicional’ – y ha sido central en nuestro viaje desde nuestra fundación. Nuestro enfoque: diseñamos, entrenamos y desplegamos estos modelos con soporte durante todo su ciclo de vida: desde la estrategia de datos y la infraestructura hasta la gobernanza y el monitoreo del rendimiento.

Por qué trabajar con Mosaic Factor?

La IA es poderosa, pero solo cuando se aplica con precisión. No solo entregamos herramientas, entregamos transformación.

Consultoría estratégica de IA y desarrollo de hoja de ruta
Diseño e integración de modelos personalizados
Despliegue escalable en la nube y en el borde
Soporte continuo, compliance y optimización

Ya sea que estés explorando IA generativa para automatización creativa o aprendizaje automático para eficiencia operativa, te ayudamos a transformar el potencial en rendimiento.

¿Listo para explorar lo que la IA puede hacer por tu negocio? Contáctanos para construir algo extraordinario, juntos.

La entrada IA General vs. IA Generativa: lo que significan para tu negocio se publicó primero en Mosaic Factor.

Navegando por la Ley de IA de la UE: implicaciones para desarrolladores de SDV e innovadores de la industria automotriz

mosaic-admin — Wed, 02 Jul 2025 08:53:53 +0000

A medida que la industria automotriz avanza hacia vehículos definidos por software (SDVs), la EU AI Act emerge como un marco regulatorio pivotal que los desarrolladores y los fabricantes de equipos originales (OEM) deben entender e integrar en sus flujos de trabajo. Diseñado para garantizar sistemas de IA confiables, éticos y seguros, la Ley de IA europea introduce requisitos estrictos, especialmente para aplicaciones de alto riesgo como la conducción autónoma y los sistemas avanzados de asistencia al conductor (ADAS).

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.

LLMs abiertos para una IA transparente

mosaic-admin — Wed, 12 Feb 2025 11:56:25 +0000

El proyecto OpenEuroLLM, una colaboración sin precedentes entre 20 instituciones de investigación y empresas líderes en Europa, tiene como objetivo desarrollar modelos de lenguaje de código abierto de próxima generación. Estos modelos serán multilingües y estarán diseñados para aplicaciones comerciales, industriales y de servicios públicos, alineándose con los valores europeos de transparencia y cumplimiento normativo.

Así que hablamos de tener disponibles modelos abiertos, consistentes con la normativa y basados en diversidad y ética, a nivel europeo.

LLMs específicos de sector

Trabajar hacia el desarrollo de modelos de lenguaje específicos para la industria, basados en los modelos de OpenEuroLLM, ofrece una oportunidad única para las empresas. Estos modelos no solo democratizan el acceso a tecnologías de IA de alta calidad, sino que también permiten una personalización precisa para satisfacer las necesidades específicas de cada sector.

Principales beneficios:

Adaptabilidad y Precisión: Los modelos pueden ser ajustados y afinados para aplicaciones específicas, mejorando la precisión y relevancia de las soluciones de IA en contextos industriales.
Cumplimiento Normativo: Desarrollados dentro del marco regulatorio europeo, estos modelos aseguran que las soluciones de IA cumplan con las normativas vigentes, reduciendo riesgos legales y éticos.
Diversidad Lingüística y Cultural: La capacidad multilingüe de estos modelos preserva la diversidad lingüística y cultural, permitiendo a las empresas operar eficazmente en múltiples mercados europeos.
Transparencia y Comunidad: La naturaleza abierta del proyecto fomenta la colaboración y el intercambio de conocimientos, creando una comunidad activa de desarrolladores y usuarios que pueden contribuir a la mejora continua de los modelos.

Basedos en Trustworthy AI

Para las empresas, invertir en el desarrollo de modelos de lenguaje específicos para la industria basados en OpenEuroLLM no solo es una estrategia innovadora, sino también una forma de asegurar que están a la vanguardia de la tecnología de IA, cumpliendo con los estándares europeos y aprovechando al máximo las capacidades de la IA para impulsar su competitividad en el mercado global.

→ Revisa nuestra solución LLMs

La entrada LLMs abiertos para una IA transparente se publicó primero en Mosaic Factor.

¿Qué son los LLMs ligeros?

Admin — Thu, 10 Oct 2024 09:14:17 +0000

Para entender mejor las ventajas que nos aportan los LLMs ligeros, empecemos definiendo qué es un LLM.

¿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)

Eficiencia: Los LLM más pequeños requieren de menos recursos computacionales, lo que los hace más rápidos y rentables.
Escalabilidad: Las empresas pueden implementar LLM ligeros en varias aplicaciones de forma local sin sobrecargar la infraestructura.
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.
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.
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.