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.

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:

1. Digitalización: digitalización y automatización básicas, donde el progreso ya es visible.
2. Intercambio de datos: intercambio seguro de datos, que permite la visibilidad de la red.
3. 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:

1. Pioneers: Predicción del Transporte de Contenedores (Iniciativa de Puertos Verdes de la UE)
2. Port of Antwerp-Bruges: Predictor del Flujo de Carga
3. 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.

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.

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.

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.

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:

1. 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.
2. 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.
3. 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.
4. 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.

• 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.