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.

Como coordinadores de Twin-Loop, estamos encantados de liderar este esfuerzo innovador para desarrollar un Marco Abierto para las tecnologías TwinOps y Digital Twin adaptadas a los Vehículos Eléctricos. El objetivo final del proyecto: reducir significativamente el consumo de energía de los VE y abrir el camino hacia una movilidad más inteligente y sostenible.

Aspectos destacados de la Asamblea

• Avances Colaborativos. Socios de toda Europa se reunieron en sesiones dinámicas centradas en el Consejo Asesor y los Casos de Uso, alineándose en estrategias técnicas y objetivos compartidos.
• Revisión del progreso del proyecto. Una evaluación exhaustiva de los hitos, entregables y objetivos futuros aseguró que todos los implicados avanzaran con claridad y cohesión.
• Networking y sinergias. Los encuentros informales y las actividades estructuradas de networking favorecieron nuevas relaciones y fortalecieron las existentes, reforzando el espíritu colaborativo de Twin-Loop.
• Talleres prácticos. Las sesiones interactivas encendieron nuevas ideas y conocimientos prácticos, proporcionando a los participantes un renovado ímpetu y una hoja de ruta clara para la siguiente fase.

A medida que Twin-Loop continúa evolucionando, la energía y la implicación de esta Asamblea General servirán como un catalizador poderoso para la innovación, el impacto y el progreso hacia un futuro de vehículos eléctricos más eficiente

Avanzando la Inteligencia del Digital Twin para el Futuro del SDV en vehículos eléctricos

Twin-Loop está liderando una nueva generación de innovación en Digital Twin aprovechando las capacidades crecientes de las arquitecturas cloud-native y la computación de alto rendimiento (HPC). A medida que los vehículos eléctricos evolucionan hacia vehículos completamente definidos por software (SDV), el proyecto utiliza la orquestación de datos en tiempo real y la integración edge-to-cloud para redefinir la manera en que las réplicas digitales interactúan con los sistemas físicos. Nuestra ambición es elevar la experiencia de los vehículos eléctricos: mejorando la personalización, incrementando la eficiencia energética e incorporando ciberseguridad.

Las soluciones actuales de Digital Twin a menudo pasan por alto la complejidad granular de los VE, donde cada vehículo funciona con una combinación única de hardware, firmware y actualizaciones de software. Twin-Loop abraza esta individualidad, utilizando la inteligencia operativa de toda la flota y la fusión de datos a lo largo del ciclo de vida para construir modelos adaptativos que evolucionan con cada vehículo. Este enfoque permite reducir el consumo de energía de manera inteligente, sin comprometer el rendimiento, la comodidad ni la seguridad.

Mediante el desarrollo de un Open TwinOps Framework y de una suite modular de herramientas digitales, Twin-Loop permitirá la optimización continua en las cuatro etapas críticas del ciclo de vida de los VE: diseño, producción, operación y fin de vida.

→ Consulta nuestra solución Digital Twins

La entrada Meeting del proyecto Twin-Loop en Catania 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.

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.

Workshop de co-creación interactivo

Durante las reuniones, organizamos un World Café: un taller interactivo de co-creación para definir mejor las tareas técnicas básicas mediante la definición, el mapeo y la discusión:

1. Iniciativas recientes sobre el tema.
2. Cuáles son los principales retos (dificultades por importancia).
3. Cuál de los resultados clave del proyecto es más relevante para su explotación.

Innovación en Gemelos Digitales para SDV

Twin-Loop se basa en una nueva oportunidad en la capacidad de computación en la nube debido a la implementación de la computación de alto rendimiento combinada con la digitalización de los vehículos eléctricos bajo la arquitectura SDV. Nuestros principales objetivos son mejorar la experiencia del conductor de vehículos eléctricos, a su vez que incrementar la seguridad y la ciberseguridad. El estado actual del arte de los gemelos digitales está lejos de la complejidad del rendimiento central de los vehículos eléctricos. Cada vehículo es único y tiene su propia versión de hardware y software. Al considerar la unicidad de un solo vehículo y aprender de los datos operativos de una flota de vehículos y el uso de datos y modelos digitales a lo largo de todo el ciclo de vida de los vehículos eléctricos, es posible reducir el consumo de energía sin comprometer la comodidad y la seguridad. Twin-Loop desarrollará un Open Framework para TwinOps para vehículos eléctricos junto con un conjunto de herramientas digitales para mejorar constantemente los siguientes elementos en las cuatro etapas del ciclo de vida del vehículo:

• Consumo energético
• Costes de Hardware
• Driver Experience
• Resiliencia del vehículo

El proyecto implementará el Open Framework, se integrará con herramientas específicas de EV y evaluará su efectividad en condiciones realistas en tres casos de uso diferentes, identificados por su relevancia para el tema. También nos centraremos en fomentar las sinergias entre diversos sectores y partes interesadas, alineándonos con las prioridades europeas y las asociaciones estratégicas como 2ZERO y Chips JU. Esto garantiza la transferibilidad de los resultados esperados y subraya el compromiso de Twin-Loop con la gestión de la innovación, la ambición de la investigación y la aceptación del mercado dentro de la industria automotriz.

Planificando el proyecto HE

Ubicado en la magnífica «Sala Barcelona» de los edificios de Movilidad del Ayuntamiento de Barcelona, el consorcio del proyecto abordó varios temas para poner en marcha el proyecto Twin-Loop:

• Tendencias de vehículos eléctricos definidos por software y requisitos del proyecto
• Desarrollo eficiente y eficaz de vehículos eléctricos
• Open framework para TwinOps y herramientas digitales para vehículos eléctricos
• Perfiles de conductores, privacidad y ciberseguridad
• Casos de uso y evaluación
• Visión general y planificación del proyecto
• Presentación de la Comisión Europea
• Expectativas políticas
• Gestión de Proyectos y Temas Administrativos

¡Os mantendremos informados de las novedades de este apasionante proyecto de innovación!

→ Revisa nuestra solución de Gemelos Digitales

La entrada Twin-Loop: arranca el proyecto HE en Barcelona 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.