Inicio Blog Página 2035

Samsung Encabeza el Primer Lugar en Excelencia de Servicio en Televisores y Electrodomésticos Según ACSI®

Por
Silvia Pastor
-
0
Samsung Earns #1 for Service Excellence in TVs and Home Appliances by ACSI® – Samsung Global Newsroom

Samsung Electronics America ha logrado las primeras posiciones en satisfacción general del cliente en televisores y en la experiencia de servicio de electrodomésticos por segundo año consecutivo según la encuesta del American Customer Satisfaction Index (ACSI®) 2024. Los televisores de Samsung también alcanzaron el primer lugar en calidad del producto, calidad del servicio y experiencia del servicio.

Las investigaciones de Samsung destacan que el 90% de los compradores de televisores y el 94% de los compradores de electrodomésticos prefieren marcas conocidas por su buen servicio al cliente, una confianza que Samsung ha desarrollado a través de un compromiso constante con el cuidado del cliente. Apoyándose en esta confianza, Samsung lidera el diseño de productos habilitados con inteligencia artificial que mejoran las vidas de los consumidores, con el equipo de Samsung Care siempre listo para asistir en caso de cualquier imprevisto.

“Nos enorgullece ser consistentemente reconocidos por nuestros clientes en la encuesta ACSI, un testimonio de las mejoras que hemos hecho en la experiencia del cliente de principio a fin”, declaró Mark Williams, Vicepresidente de Atención al Cliente de Samsung Electronics America. “Sabemos que cuando tu televisor o electrodoméstico no funciona, quieres que se repare rápidamente y bien. Por eso hemos invertido en innovaciones de IA y atención digital, formación de clase mundial, distribución eficiente de piezas y expansión de nuestro programa Samsung Beyond Boundaries para brindar atención de calidad a más clientes en Estados Unidos”.

Samsung ha sido reconocida por sus televisores de vanguardia en varias categorías, incluyendo el primer lugar en calidad general, calidad de imagen y calidad de sonido, evidenciando su liderazgo e innovación continua. La línea 2024, impulsada por la inteligencia artificial, ofrece características de valor añadido que solo Samsung puede proporcionar, como AI Upscaling para transformar contenido de menor resolución en impresionante 4K y 8K, y Samsung Gaming Hub, que permite disfrutar de lo mejor de los videojuegos en un solo lugar, sin necesidad de consola.

Los televisores Samsung también ocuparon el primer lugar en conectividad, facilidad de uso, diseño exterior y durabilidad. Incorporando características desde embalajes con enfoque sostenible y mejor eficiencia energética hasta funciones de accesibilidad, la línea de televisores está diseñada para elevar la experiencia de entretenimiento en el hogar.

En el ámbito de los electrodomésticos, Samsung obtuvo los máximos puntajes en refrigeradores y lavadoras, liderando en experiencia de servicio, facilidad para organizar el servicio, cortesía de los técnicos, amabilidad y reparaciones a tiempo. Estos primeros lugares reflejan la confianza que los consumidores depositan en los productos habilitados con IA de Samsung para mejorar y simplificar sus vidas.

Los últimos electrodomésticos personalizados con IA ofrecen un rendimiento mejorado, ayudándote a hacer más con menos esfuerzo. El refrigerador Bespoke con AI Family Hub™ y Vision AI reconoce 33 tipos diferentes de alimentos al agregarlos o retirarlos del refrigerador, utilizando una cámara interna y tecnología de inteligencia artificial. La lavadora Bespoke AI Laundry Combo™ All-in-One ajusta inteligentemente el tiempo y la energía de lavado y secado, simplificando la selección de ciclos.

Samsung Care sigue invirtiendo en maneras de proporcionar a los clientes opciones y atención conveniente de alta calidad. La respuesta de voz interactiva (IVR) utiliza IA para identificar la intención del cliente, el producto y el problema, asegurando que sean dirigidos al agente adecuado con información útil antes de que comience la llamada. IVR también puede enviar mensajes de texto con los dos centros de reparación más cercanos, facilitando así el proceso.

Samsung ofrece una cobertura de atención conveniente para el 99.9% de los EE.UU., incluso en áreas rurales, a través del programa Samsung Beyond Boundaries, que permite recibir reparaciones a domicilio dentro de un radio de 4 horas de un Centro de Atención Samsung.

Para más noticias o soporte adicional del equipo Samsung Care, se puede visitar el canal de YouTube de Samsung Care, la aplicación Samsung Members o las comunidades de Samsung. También se puede enviar un mensaje de texto al 1-800-SAMSUNG para iniciar una conversación con un profesional de Samsung Care.
vía: Sala de Prensa de Samsung.

Acelera el desarrollo de flujos de trabajo de ML con Amazon Q Developer en Amazon SageMaker Studio

Por
Elena Digital López
-
0
Accelerate development of ML workflows with Amazon Q Developer in Amazon SageMaker Studio

Los proyectos de machine learning (ML) son inherentemente complejos, involucrando múltiples pasos intrincados desde la recolección y preprocesamiento de datos hasta la construcción, despliegue y mantenimiento de modelos. Los científicos de datos enfrentan numerosos desafíos a lo largo de este proceso, como la selección de herramientas adecuadas, la necesidad de instrucciones paso a paso con ejemplos de código y la solución de errores y problemas. Estos desafíos iterativos pueden obstaculizar el progreso y ralentizar los proyectos. Afortunadamente, asistentes de desarrolladores impulsados por IA generativa como Amazon Q Developer han surgido para ayudar a los científicos de datos a simplificar sus flujos de trabajo y acelerar los proyectos de ML, permitiéndoles ahorrar tiempo y enfocarse en iniciativas estratégicas e innovación.

Amazon Q Developer está totalmente integrado con Amazon SageMaker Studio, un entorno de desarrollo integrado (IDE) que proporciona una única interfaz web para gestionar todas las etapas del desarrollo de ML. Puedes usar este asistente de lenguaje natural desde tu cuaderno de SageMaker Studio para obtener asistencia personalizada en lenguaje natural. Ofrece recomendaciones de herramientas, orientación paso a paso, generación de código y soporte para solucionar problemas. Esta integración simplifica tu flujo de trabajo de ML y te ayuda a construir, entrenar y desplegar modelos de ML de manera eficiente sin necesidad de salir de SageMaker Studio para buscar recursos adicionales o documentación.

Amazon Q Developer se presenta como una herramienta para analizar el conjunto de datos de Diabetes 130-US hospitales y desarrollar un modelo de ML que prediga la probabilidad de readmisión después del alta. A lo largo de este ejercicio, se utiliza Amazon Q Developer en SageMaker Studio para diversas etapas del ciclo de desarrollo, experimentando de primera mano cómo este asistente de lenguaje natural puede ayudar incluso a los científicos de datos o ingenieros de ML más experimentados a simplificar el proceso de desarrollo y acelerar el tiempo hasta obtener valor.

Para los usuarios de AWS Identity and Access Management (IAM) y AWS IAM Identity Center, es posible usar la suscripción Amazon Q Developer Pro tier dentro de Amazon SageMaker. Los administradores pueden suscribir a los usuarios al nivel Pro desde la consola de Amazon Q Developer, habilitar el nivel Pro en la configuración del dominio de SageMaker y proporcionar el Amazon Resource Name (ARN) del perfil de Amazon Q Developer. El nivel Pro ofrece chat ilimitado y sugerencias de código en línea.

Para iniciar el proyecto de ML para predecir la probabilidad de readmisión en pacientes con diabetes, es necesario descargar el conjunto de datos Diabetes 130-US hospitales. Este conjunto contiene datos de atención clínica de 10 años (1999-2008) en 130 hospitales de EE. UU. y redes de entrega integradas. Cada fila representa los registros hospitalarios de pacientes diagnosticados con diabetes, quienes se sometieron a pruebas de laboratorio, entre otras.

En SageMaker Studio, se puede empezar a trabajar en el problema de ML de reducir las tasas de readmisión para pacientes con diabetes usando la capacidad de chat junto al cuaderno de JupyterLab. Se pueden hacer preguntas sobre cómo generar código para analizar los datos de hospitales de EE. UU., cómo formular el problema de ML y desarrollar un plan para construir un modelo de ML que prediga la probabilidad de readmisión después del alta.

Es posible preguntar a Amazon Q Developer que ayude a planificar el proyecto de ML. En este caso, se pide al asistente que muestre cómo entrenar un clasificador de bosque aleatorio usando el conjunto de datos de Diabetes 130-US. Si se genera código, se puede usar la interfaz de usuario para insertar directamente el código en el cuaderno.

Amazon Q Developer también ofrece explicaciones de código existente y soluciones para errores comunes. Simplemente hay que seleccionar la celda con el error e ingresar /fix en el chat.

Para obtener el máximo provecho del chat de Amazon Q Developer, se recomienda seguir las mejores prácticas al redactar tus consultas, siendo directo y específico, proporcionando información contextual y evitando temas sensibles.

Además, se pueden recibir sugerencias de código en tiempo real mientras se escribe en el cuaderno de JupyterLab. En un ejemplo, se demuestra cómo utilizar esta función para generar bloques de código para varias tareas de ciencia de datos: desde la exploración de datos hasta la ingeniería de características, el entrenamiento de un modelo de bosque aleatorio, la evaluación del modelo y finalmente el despliegue del modelo para predecir la probabilidad de readmisión de pacientes con diabetes.

Al usar Amazon Q Developer en SageMaker Studio, no se utiliza contenido del cliente para mejorar el servicio, independientemente de si se utiliza el nivel gratuito o pro. Es posible optar por no compartir el uso de datos del IDE completando ciertos pasos en la configuración.

Para evitar incurrir en cargos de AWS después de probar esta solución, se debe eliminar el dominio de SageMaker Studio.

En conclusión, utilizando un caso de uso real, se desarrolló un modelo de ML que predice la probabilidad de readmisión después del alta para pacientes en el conjunto de datos de Diabetes 130-US hospitales. A lo largo del ejercicio, se utilizó Amazon Q Developer en SageMaker Studio para diversas etapas del ciclo de desarrollo, demostrando cómo este asistente puede ayudar a simplificar el proceso de desarrollo y acelerar el tiempo hasta obtener valor, incluso para practicantes de ML experimentados.
vía: AWS machine learning blog

Nuevos Cojines Elegantes: A Simple Vista Parecen De Zara Home

Por
Juan Hernández
-
0
ahora tengo unos elegantes cojines que parecen de Zara Home

En un pequeño apartamento de la ciudad, la vida de una joven ha dado un giro sorprendente gracias a un inesperado toque de estilo en su hogar. Hace apenas unas semanas, decidió renovar la decoración de su sala de estar, pero no contaba con un presupuesto elevado para hacerlo. Con un enfático deseo de dar un aire fresco y sofisticado a su espacio, comenzó una búsqueda exhaustiva en tiendas económicas y en línea.

El punto culminante de su transformación llegó cuando descubrió unos cojines a primera vista sencillos, pero extraordinariamente elegantes, que lograban emular la sofisticación propia de la conocida marca Zara Home. «No podía creerlo cuando los vi. Pensé que eran justo lo que necesitaba para darle ese toque chic a mi sala de estar», comenta la joven. Estos cojines, con acabados impecables y diseños modernos, presentaban texturas suaves y colores neutros, que encajan a la perfección con el resto de su mobiliario.

Lo que más le sorprendió fue el precio. «Cada cojín me costó menos de lo que suelo gastar en una taza de café», menciona con una risa. A pesar de su económico costo, no tuvieron nada que envidiar a otros artículos de decoración de conocidas marcas de lujo. Al colocarlos sobre su viejo sofá, la joven no pudo evitar sentirse como si hubiera traído un pedazo de un catálogo de diseño a su humilde hogar.

No pasó mucho tiempo antes de que las visitas comenzaran a notar la diferencia. «Todos mis amigos me preguntan por los cojines y se sorprenden cuando les digo que no son de Zara Home», cuenta. La positividad y el interés generado por estos nuevos complementos han sido una fuente constante de satisfacción para ella. «Nunca pensé que unos simples cojines pudieran hacerme sentir tan bien en mi propia casa», reflexiona con una sonrisa.

Este pequeño cambio demuestra que no siempre es necesario gastar una fortuna para conseguir un hogar estilizado y acogedor. A veces, todo lo que se necesita es un buen ojo para los detalles y un poco de perseverancia para encontrar esos tesoros escondidos que pueden transformar la cotidianeidad en algo extraordinario. Ahora, cada vez que se sienta en su sala de estar, rodeada de sus elegantes cojines, no puede evitar sentir una pequeña dosis de orgullo y alegría.

Con esta experiencia, la joven ha aprendido que la elegancia y el confort pueden encontrarse en los lugares más inesperados, y que cada pequeño cambio puede tener un gran impacto en la forma en que vivimos y percibimos nuestros espacios personales. Unos simples cojines lograron no solo renovar su sala de estar, sino también darle una nueva perspectiva sobre el valor de los detalles bien escogidos.

Samsung Electronics Desarrolla el Primer SSD Automotriz de la Industria Basado en V-NAND de 8ª Generación

Por
Silvia Pastor
-
0
Samsung Electronics Develops Industry’s First Automotive SSD Based on 8th-Generation V-NAND – Samsung Global Newsroom

Samsung Electronics, líder mundial en tecnología de memoria avanzada, ha anunciado el desarrollo del primer SSD automotriz PCIe 4.0 basado en la tecnología de NAND vertical de octava generación (V-NAND). Este nuevo SSD para automóviles, conocido como AM9C1, promete velocidades líderes en la industria y mayor fiabilidad, siendo una solución óptima para capacidades de inteligencia artificial en vehículos de próxima generación.

El nuevo SSD automotriz de 256GB ofrece una eficiencia energética aproximadamente un 50% superior en comparación con su predecesor, el AM991. Las velocidades de lectura y escritura secuencial alcanzan hasta 4,400 megabytes por segundo (MB/s) y 400MB/s, respectivamente.

«Estamos colaborando con fabricantes globales de vehículos autónomos y proporcionando productos automotrices de alto rendimiento y gran capacidad», afirmó Hyunduk Cho, Vicepresidente y Director del Grupo Automotriz en Samsung Electronics. «Samsung seguirá liderando el mercado de memorias AI físicas, que abarca aplicaciones desde la conducción autónoma hasta las tecnologías robóticas».

Construido con un controlador de 5 nanómetros (nm) de Samsung y proporcionando una característica Namespace de celda de un solo nivel (SLC), el SSD automotriz AM9C1 demuestra un alto rendimiento para un acceso más fácil a archivos grandes. Al cambiar del estado original de celda de triple nivel (TLC) al modo SLC, los usuarios pueden disfrutar de velocidades de lectura y escritura de hasta 4,700MB/s y 1,400MB/s, respectivamente, beneficiándose también de la mayor fiabilidad de los SSD SLC.

El modelo de 256GB del AM9C1 está siendo probado por socios clave y se espera que entre en producción en masa a finales de este año. Samsung planea ofrecer múltiples capacidades de almacenamiento para el AM9C1, que van desde 128GB hasta 2 terabytes (TB), para satisfacer la creciente demanda de SSD automotrices de alta capacidad. El modelo de 2TB, que se espera tenga la mayor capacidad de la industria en esta categoría de productos, comenzará su producción en masa a principios del próximo año.

A través de pruebas intensificadas a nivel de placa, el nuevo SSD automotriz de Samsung cumple con el estándar de calidad de semiconductores para automóviles AEC-Q100 Grade 2, garantizando un rendimiento estable en un amplio rango de temperaturas de -40°C a 105°C.

Para cumplir con los altos estándares de la industria automotriz en términos de durabilidad y estabilidad, Samsung también realiza varios procesos de garantía de calidad. La compañía recibió la autenticación ASPICE CL3 para su producto UFS 3.1 en marzo de este año.

En un esfuerzo por obtener la certificación CSMS basada en ISO/SAE 21434, Samsung continuará mejorando activamente la fiabilidad y estabilidad tecnológica de sus soluciones automotrices.

«Las certificaciones ASPICE e ISO/SAE 21434 son hitos que afirman la fiabilidad y estabilidad de nuestra tecnología», afirmó Hwaseok Oh, Vicepresidente Ejecutivo de Samsung Electronics. «Más allá de estos logros, Samsung continuará elevando la estabilidad y calidad de sus productos al proporcionar consistentemente la mejor solución a sus socios clave».

Esta innovadora solución de Samsung destaca la avanzada tecnología y el compromiso de la empresa por impulsar la evolución de la industria automotriz, proporcionando el rendimiento y la confiabilidad necesarios para las aplicaciones de AI y la conducción autónoma.
vía: Sala de Prensa de Samsung.

Aumentando La Eficiencia De Semáforos Con Amazon Rekognition

Por
Elena Digital López
-
0
Making traffic lights more efficient with Amazon Rekognition

Las agencias estatales y locales gastan aproximadamente $1,23 mil millones anuales en operar y mantener intersecciones con semáforos. Por otro lado, la congestión de tráfico en estas intersecciones cuesta a los conductores alrededor de $22 mil millones al año. La implementación de una solución basada en detección por inteligencia artificial (IA) puede mitigar significativamente la congestión en las intersecciones y reducir los costos de operación y mantenimiento.

Las agencias estatales y locales dependen de los semáforos para facilitar el flujo seguro del tráfico que involucra automóviles, peatones y otros usuarios. Existen dos tipos principales de semáforos: fijos y dinámicos. Los semáforos fijos son controlados por señales electromecánicas que cambian y mantienen las luces según un período de tiempo establecido. Los semáforos dinámicos se ajustan según las condiciones del tráfico, utilizando detectores tanto debajo de la superficie de la carretera como por encima del semáforo. Sin embargo, a medida que la población sigue aumentando, hay más automóviles, bicicletas y peatones usando las calles. Este incremento de usuarios de la carretera puede afectar negativamente la eficiencia de cualquiera de los dos sistemas de semáforos.

Nuestra solución usa Amazon Rekognition para detectar automáticamente objetos (autos, bicicletas, etc.) y escenas en una intersección. Después de la detección, Amazon Rekognition crea cajas delimitadoras alrededor de cada objeto (como un vehículo) y calcula la distancia entre cada objeto. Los resultados de las distancias calculadas se usan programáticamente para detener o permitir el flujo del tráfico, reduciendo así la congestión. Todo esto sucede sin intervención humana.

La solución propuesta puede implementarse en un entorno de AWS personal utilizando el código proporcionado. Se requiere tener una cuenta de AWS, los permisos adecuados de AWS Identity and Access Management (IAM), y un SageMaker Studio Notebook.

La arquitectura de la solución incluye el uso de Amazon SageMaker para construir, entrenar y desplegar aplicaciones de aprendizaje automático, y Amazon Rekognition para agregar análisis de imágenes y videos a las aplicaciones.

El proceso implica cargar un video de intersección de tráfico en el entorno de SageMaker, dividir el video en fotogramas, llamar a Amazon Rekognition para analizar cada fotograma, crear cajas delimitadoras alrededor de cada vehículo detectado y cambiar las señales de tránsito basándose en la cantidad de autos detectados. Todo esto con una mínima intervención humana.

Se estima que la implementación de esta solución cuesta alrededor de $6,000 por intersección durante el primer año, con ciertos supuestos como el uso de cuatro cámaras y una sola notebook de SageMaker por intersección. Este costo es una fracción del gasto anual actual en semáforos y las pérdidas debidas a la congestión.

Es importante tener en cuenta que estos costos son estimaciones y pueden variar dependiendo de la personalización. Además, se recomienda limpiar todos los recursos de AWS creados para evitar cargos futuros.

Este método no solo tiene el potencial de mitigar costos y reducir la congestión, sino que también puede mejorar la seguridad vial y la eficiencia general del tráfico. Para más detalles sobre cómo Amazon Rekognition puede acelerar tareas de reconocimiento de imágenes y análisis de videos, se recomienda visitar la Guía del Desarrollador de Amazon Rekognition.

Con este desarrollo, se espera una mejora significativa en la gestión del tráfico, lo que conllevaría a un ahorro considerable en costos y una mejor experiencia para los usuarios de la carretera.
vía: AWS machine learning blog

Consejos De Un Arquitecto Que Está Diseñando Su Propia Casa

Por
Juan Hernández
-
0
consejos de un arquitecto que está haciendo la suya

En una amena tertulia realizada durante el pasado fin de semana en el centro cultural de la ciudad, el reconocido arquitecto Pablo Gómez compartió sus experiencias y consejos con un nutrido grupo de asistentes interesados en el diseño y construcción de viviendas. La charla se centró en las lecciones aprendidas por Gómez mientras llevaba a cabo la construcción de su propia casa, un proyecto que ha captado la atención tanto de colegas como de aficionados a la arquitectura.

Gómez, graduado de una prestigiosa universidad y con más de 20 años de experiencia en el sector, destacó la importancia de la planificación detallada antes de iniciar cualquier obra. «Una de las primeras cosas que aprendí es que los planos deben ser lo más específicos posible», indicó Gómez, subrayando que un buen diseño arquitectónico puede evitar muchos problemas y sobrecostos a lo largo del proyecto.

En cuanto a la elección de materiales, el arquitecto enfatizó la necesidad de optar por aquellos que sean sostenibles y de alta calidad. “Invertir en buenos materiales desde el inicio puede parecer más costoso, pero a largo plazo es una decisión que se amortiza con creces”, explicó. Además, sugirió considerar el impacto ambiental de cada elección, promoviendo el uso de materiales reciclados y energías renovables.

Otro punto crucial que Gómez abordó fue la selección del equipo de trabajo. Recomendó rodearse de profesionales de confianza y con experiencia demostrada. «La colaboración entre el arquitecto, los ingenieros y los obreros es vital para el éxito del proyecto. La comunicación fluida y el trabajo en equipo son indispensables», afirmó.

Gómez también habló sobre la importancia de la flexibilidad y la adaptación en el proceso de construcción. «Aunque tengamos un plan muy bien definido, siempre existen variables imprevistas que pueden alterar el curso del proyecto. Estar dispuesto a adaptarse y encontrar soluciones rápidas y eficientes es fundamental», señaló.

En cuanto a la estética y funcionalidad, Gómez sugirió no perder de vista las necesidades y gustos personales, pero también recomendó pensar a futuro. «Es necesario imaginar cómo cambiarán nuestras necesidades con el tiempo. Una casa bien diseñada debe poder evolucionar con sus habitantes», comentó.

Finalmente, Gómez invitó a los asistentes a disfrutar del proceso y a no desanimarse por los obstáculos. «Construir una casa es un gran reto, pero también es una oportunidad increíble para aprender y crecer. No dejen que los problemas los desmotiven, cada dificultad superada es una lección valiosa», concluyó.

Los consejos ofrecidos por Pablo Gómez resonaron entre los presentes, quienes agradecieron la oportunidad de aprender de un profesional con tanta experiencia y dedicación. La charla finalizó con una ronda de preguntas y respuestas, donde Gómez se mostró abierto y dispuesto a compartir más detalles sobre su apasionante proyecto personal.

Mejorando la Tecnología Just Walk Out con IA Multimodal

Por
Elena Digital López
-
0
Enhancing Just Walk Out technology with multi-modal AI

Desde su lanzamiento en 2018, la tecnología Just Walk Out de Amazon ha revolucionado la experiencia de compra al permitir a los clientes ingresar a una tienda, recoger productos y salir sin hacer fila para pagar. Esta tecnología de caja sin fricciones se encuentra en más de 180 ubicaciones de terceros en todo el mundo, incluidos minoristas de viajes, estadios deportivos, lugares de entretenimiento, centros de conferencias, parques temáticos, tiendas de conveniencia, hospitales y campus universitarios. El sistema de Just Walk Out determina automáticamente qué productos elige cada cliente en la tienda y proporciona recibos digitales, eliminando la necesidad de colas para pagar.

En esta publicación, destacamos la última generación de la tecnología Just Walk Out de Amazon, impulsada por un modelo de base multi-modal (FM) de última generación. Diseñamos este modelo multi-modal para tiendas físicas utilizando una arquitectura basada en transformadores similar a la que subyace a muchas aplicaciones de inteligencia artificial generativa. El modelo ayudará a los minoristas a generar recibos de compra altamente precisos utilizando datos de múltiples entradas, incluidos video cámaras aéreas, sensores de peso especializados en los estantes, planos digitales del piso e imágenes del catálogo de productos.

Nuestros esfuerzos en investigación y desarrollo (I+D) en modelos multi-modales de última generación permiten que el sistema Just Walk Out se implemente en una amplia gama de situaciones de compra con mayor precisión y a un menor costo. Similar a los grandes modelos de lenguaje que generan texto, el nuevo sistema Just Walk Out está diseñado para generar un recibo de venta preciso para cada comprador que visite la tienda.

Debido a su entorno innovador sin cajas, las tiendas Just Walk Out nos presentaron un desafío técnico único. Tanto los minoristas como los compradores, así como Amazon, exigen una precisión de casi el 100 por ciento en la revisión, incluso en las situaciones de compra más complejas. Estas incluyen comportamientos de compra inusuales que pueden crear una secuencia larga y complicada de actividades que requieren un esfuerzo adicional para analizarlas.

Las generaciones anteriores del sistema Just Walk Out utilizaban una arquitectura modular que abordaba situaciones de compra complejas desglosando la visita del comprador en tareas discretas, como la detección de interacciones del comprador, el seguimiento de artículos, la identificación de productos y el conteo de lo seleccionado. Estos componentes individuales se integraban luego en tuberías secuenciales para habilitar la funcionalidad general del sistema. Si bien este enfoque producía recibos altamente precisos, se requerían esfuerzos de ingeniería significativos para abordar desafíos en situaciones nuevas y no encontradas previamente, lo que limitaba la escalabilidad de este enfoque.

Para enfrentar estos desafíos, introdujimos un nuevo FM multi-modal diseñado específicamente para entornos de tiendas minoristas, permitiendo que la tecnología Just Walk Out maneje escenarios de compra en el mundo real complejos. El nuevo FM multi-modal mejora aún más las capacidades del sistema Just Walk Out al generalizar de manera más efectiva a nuevos formatos de tiendas, productos y comportamientos de clientes, lo cual es crucial para escalar la tecnología Just Walk Out.

La incorporación del aprendizaje continuo permite que la capacitación del modelo se adapte y aprenda automáticamente de los nuevos escenarios desafiantes a medida que surgen. Esta capacidad de auto-mejora ayuda a garantizar que el sistema mantenga un alto rendimiento, incluso cuando los entornos de compra continúan evolucionando.

A través de esta combinación de aprendizaje de extremo a extremo y generalización mejorada, el sistema Just Walk Out puede abordar una gama más amplia de entornos minoristas dinámicos y complejos. Los minoristas pueden implementar con confianza esta tecnología, sabiendo que proporcionará una experiencia de compra sin fricciones para sus clientes.

Los elementos clave de nuestro modelo de IA multi-modal Just Walk Out incluyen entradas de datos flexibles, las cuales rastrean cómo interactúan los usuarios con productos y muebles, como estantes o refrigeradores. Se basa principalmente en transmisiones de video de múltiples vistas como entradas, utilizando sensores de peso únicamente para rastrear artículos pequeños. El modelo mantiene una representación digital en 3D de la tienda y puede acceder a imágenes de catálogo para identificar productos, incluso si el comprador devuelve los artículos al estante incorrectamente.

Los datos multi-modales se procesan mediante codificadores que los comprimen en tokens de transformadores, la unidad básica de entrada para el modelo de recibo. Esto permite que el modelo interprete movimientos de manos, diferencie entre artículos y cuente con precisión la cantidad de artículos recogidos o devueltos al estante con velocidad y precisión. Además, el sistema utiliza estos tokens para crear recibos digitales para cada comprador, diferenciando entre diferentes sesiones de compra y actualizando dinámicamente cada recibo a medida que se recogen o devuelven artículos.

Para entrenar el FM de Just Walk Out, hemos invertido en una infraestructura robusta que puede procesar de manera eficiente las enormes cantidades de datos necesarias para entrenar redes neuronales de alta capacidad que imitan la toma de decisiones humanas. Construimos la infraestructura para nuestro modelo Just Walk Out con la ayuda de varios servicios de Amazon Web Services (AWS), incluidos Amazon Simple Storage Service (Amazon S3) para el almacenamiento de datos y Amazon SageMaker para la capacitación.

En conclusión, nuestra abordaje innovadora, estamos alejándonos de los sistemas modulares de IA que dependen de subcomponentes e interfaces definidos por humanos. En su lugar, estamos construyendo sistemas de IA más simples y escalables que pueden entrenarse de extremo a extremo. Aunque solo hemos comenzado, la IA multi-modal ha elevado el estándar para nuestro ya altamente preciso sistema de recibos y nos permitirá mejorar la experiencia de compra en más tiendas con tecnología Just Walk Out en todo el mundo.
vía: AWS machine learning blog

Las velas de Mercadona con aroma afrodisíaco ideales para tu hogar

Por
Juan Hernández
-
0
Las velas de Mercadona con olor afrodisiaco perfectas para perfumar la casa y eliminar malos olores

En los pasillos de Mercadona, la cadena de supermercados líder en España, ha surgido un nuevo producto que está captando la atención de los clientes: las velas con olor afrodisiaco. Estas velas no solo prometen perfumar el hogar con una fragancia embriagadora, sino que además se presentan como una solución eficaz para eliminar los malos olores, haciendo de la experiencia del hogar algo mucho más placentero.

Las velas, que forman parte de la línea de productos de la marca blanca de Mercadona, se han elaborado con una cuidadosa selección de aromas naturales diseñados para estimular los sentidos. Entre estos aromas destacan ingredientes como el jazmín, la vainilla y el sándalo, conocidos por sus propiedades afrodisiacas. Estas fragancias se liberan gradualmente mientras la vela se consume, creando un ambiente que puede convertir cualquier estancia en un oasis de relajación y sensualidad.

Según fuentes de Mercadona, el desarrollo de estas velas ha sido fruto de meses de investigación y pruebas para asegurar no solo que los aromas sean agradables, sino que también cumplan con su función de neutralizar y eliminar malos olores. Este doble efecto se logra gracias a una combinación de aceites esenciales y otros compuestos naturales que capturan y eliminan las partículas que suelen causar malos olores en el hogar, como el humo del tabaco, los olores de la cocina y otros agentes comunes.

Los clientes que han probado las velas con olor afrodisiaco ya han dejado reseñas muy positivas en la página web de Mercadona y en las redes sociales. Muchos elogian su capacidad para transformar el ambiente de sus casas sin ser invasivas o demasiado intensas. «Es increíble cómo una vela puede cambiar completamente el ambiente de mi salón. Huele fantástico y además he notado que los olores de la cocina desaparecen mucho más rápido,» comenta una usuaria satisfecha.

El lanzamiento de este producto se enmarca dentro de una tendencia más amplia en la que los consumidores buscan cada vez más productos que ofrezcan soluciones multifuncionales en el ámbito del hogar. En este sentido, Mercadona continúa innovando y ampliando su oferta para satisfacer las demandas de un público cada vez más exigente y consciente de la calidad.

Las velas están disponibles en varias presentaciones y tamaños, adaptándose a diferentes necesidades y espacios del hogar. Además, se comercializan a un precio competitivo, lo que las hace accesibles para un amplio espectro de consumidores, desde aquellos que buscan un toque especial para una ocasión romántica hasta quienes desean mantener su hogar libre de malos olores de manera cotidiana.

Mientras tanto, Mercadona continúa trabajando en nuevos productos y mejoras, consolidándose como un referente en el mercado de productos para el hogar. Las velas con olor afrodisiaco son solo el último ejemplo de cómo la empresa sigue al frente de la innovación y la satisfacción del cliente en un mercado altamente competitivo.

Generar Datos Sintéticos para Evaluar Sistemas RAG Usando Amazon Bedrock

Por
Elena Digital López
-
0
Generate synthetic data for evaluating RAG systems using Amazon Bedrock

Evaluar tu sistema de Generación Augmentada por Recuperación (RAG) para asegurar que cumple con los requisitos de tu negocio es crucial antes de implementarlo en entornos de producción. Sin embargo, esto requiere la adquisición de un conjunto de datos de alta calidad de pares de preguntas y respuestas del mundo real, lo que puede ser una tarea desalentadora, especialmente en las primeras etapas de desarrollo. Aquí es donde entra en juego la generación de datos sintéticos. Con Amazon Bedrock puedes generar conjuntos de datos sintéticos que emulan consultas reales de los usuarios, permitiéndote evaluar el rendimiento de tu sistema RAG de manera eficiente y a gran escala. Con datos sintéticos, puedes optimizar el proceso de evaluación y ganar confianza en las capacidades de tu sistema antes de lanzarlo al mundo real.

Este post explica cómo utilizar Anthropic Claude en Amazon Bedrock para generar datos sintéticos para evaluar tu sistema RAG. Amazon Bedrock es un servicio totalmente gestionado que ofrece una selección de modelos base (FMs) de alto rendimiento de empresas líderes en IA como AI21 Labs, Anthropic, Cohere, Meta, Stability AI, y Amazon, a través de una única API, junto con un amplio conjunto de capacidades para construir aplicaciones de IA generativa con seguridad, privacidad y ética.

Fundamentos de la Evaluación RAG

Antes de profundizar en cómo evaluar una aplicación RAG, recapitulemos los componentes básicos de un flujo de trabajo RAG simple. El flujo de trabajo consta de los siguientes pasos:

  1. En la etapa de ingestión, que ocurre de forma asincrónica, los datos se dividen en fragmentos separados. Un modelo de embeddings genera embeddings para cada uno de estos fragmentos que se almacenan en un almacén de vectores.
  2. Cuando el usuario hace una pregunta al sistema, se genera un embedding de la pregunta y se recuperan los fragmentos más relevantes del almacén de vectores.
  3. El modelo RAG aumenta la entrada del usuario añadiendo los datos relevantes recuperados en el contexto. Esta etapa utiliza técnicas de ingenieria de prompts para comunicarse eficazmente con el modelo de lenguaje grande (LLM). El prompt aumentado permite al LLM generar una respuesta precisa a las consultas del usuario.
  4. Se solicita a un LLM que formule una respuesta útil basada en las preguntas del usuario y los fragmentos recuperados.

Amazon Bedrock Knowledge Bases ofrece un enfoque simplificado para implementar RAG en AWS, proporcionando una solución completamente gestionada para conectar FMs a fuentes de datos personalizadas.

Componentes Mínimos de un Conjunto de Datos de Evaluación RAG

Para evaluar adecuadamente un sistema RAG, debes recopilar un conjunto de datos de evaluación de preguntas y respuestas típicas de los usuarios. Además, debes asegurarte de evaluar no solo la parte de generación del proceso sino también la de recuperación.

Un conjunto de datos típico de evaluación RAG consta de los siguientes componentes mínimos:

  • Una lista de preguntas que los usuarios harán al sistema RAG.
  • Una lista de respuestas correspondientes para evaluar la fase de generación.
  • El contexto o una lista de contextos que contienen la respuesta para cada pregunta para evaluar la recuperación.

En un mundo ideal, tomarías preguntas reales de usuarios como base para la evaluación. Aunque este es el enfoque óptimo, ya que se asemeja directamente al comportamiento del usuario final, no siempre es factible, especialmente en las primeras etapas de construcción de un sistema RAG. A medida que avances, deberías aspirar a incorporar preguntas reales de usuarios en tu conjunto de evaluación.

Generación de Datos Sintéticos y su Evaluación

Para ilustrar el proceso, empleamos un caso de uso que construye un chatbot de cartas a los accionistas de Amazon, permitiendo a los analistas de negocios obtener información sobre la estrategia y el rendimiento de la empresa a lo largo de los años.

Primero, cargamos los archivos PDF de las cartas a los accionistas de Amazon como nuestra base de conocimiento. Mediante la implementación RAG, el recuperador de conocimiento podría usar una base de datos que soporte búsquedas vectoriales para buscar dinámicamente documentos relevantes que sirvan como fuente de conocimiento.

Utilizamos el modelo Claude de Anthropic para extraer preguntas y respuestas de nuestra fuente de conocimiento. Para la orquestación y los pasos de automatización, empleamos LangChain, una biblioteca de Python de código abierto diseñada para construir aplicaciones con modelos de lenguaje grande.

Mejores Prácticas y Conclusión

Generar datos sintéticos puede mejorar significativamente el proceso de evaluación de tu sistema RAG. Sin embargo, es esencial seguir las mejores prácticas para mantener la calidad y la representatividad de los datos generados, combinando datos sintéticos con datos reales, implementando mecanismos robustos de control de calidad y refinando continuamente el proceso.

A pesar de las limitaciones, la generación de datos sintéticos es una herramienta valiosa para acelerar el desarrollo y la evaluación de sistemas RAG, contribuyendo al desarrollo de sistemas de IA de mejor rendimiento.

Animamos a desarrolladores, investigadores y entusiastas a explorar las técnicas mencionadas y experimentar con la generación de datos sintéticos para sus propias aplicaciones RAG.

vía: AWS machine learning blog

Lanzamiento De Windows 11 Build 26100.1876 En El Canal De Vista Previa

Por
Silvia Pastor
-
0
Releasing Windows 11 Build 26100.1876 to the Release Preview Channel

En una reciente actualización, Microsoft ha lanzado el Windows 11 Build 26100.1876 (KB5043178) para los usuarios del Release Preview Channel en la versión 24H2 de Windows 11. Esta nueva versión viene cargada con una serie de características y mejoras que estarán disponibles de manera gradual para algunos usuarios y de forma normal para el resto.

En lo que respecta al despliegue gradual, algunas de las novedades son las siguientes:

Menú de inicio: Se ha añadido una nueva opción de "Cerrar sesión" en el administrador de cuentas cuando se abre el menú de inicio. Para cambiar a otro usuario, se debe seleccionar los puntos suspensivos (…) y aparecerá una lista de otros usuarios para facilitar el cambio.

Barra de tareas: Se ha incorporado la capacidad de compartir archivos locales directamente desde los resultados de búsqueda que aparecen en el cuadro de búsqueda de la barra de tareas.

Configuración: La página de Configuración de Optimización de Entrega ahora coincide con el diseño de Windows 11. Se puede ver en Configuración > Windows Update > Opciones avanzadas > Optimización de entrega. Además, se ha introducido una nueva recomendación energética para desactivar el alto rango dinámico (HDR) con el fin de conservar energía en dispositivos con pantallas HDR. Esta configuración se encuentra en Configuración > Energía y batería > Recomendaciones energéticas.

Pantalla de bloqueo: Los controles de medios ahora se muestran en la parte inferior central de la pantalla de bloqueo cuando se está reproduciendo contenido multimedia.

Duración de la batería: Cuando la batería del dispositivo está baja, aparecerá una ventana emergente que solicita conectar el dispositivo. Esto sucede cuando el nivel de batería alcanza el 20% y mientras el Ahorro de Energía está configurado en "Siempre activado".

En cuanto al despliegue normal, la actualización incluye características y mejoras adicionales como:

Software de código abierto: Se han añadido atribuciones a los archivos credits.txt para componentes OSS de Rust.

Editor de método de entrada (IME): Se ha identificado que puede ocurrir una fuga de memoria cuando una ventana de cuadro combinado tiene el enfoque de entrada y se cierra.

Aplicaciones WebView2: Estas aplicaciones no detectan entradas de controladores de Xbox 360 y Bluetooth.

Con esta actualización, Microsoft continúa mejorando la experiencia y funcionalidad de Windows 11, cuidando tanto la eficiencia energética como la facilidad de uso para sus usuarios.

vía: Microsoft Windows blog

1...2.0342.0352.036...4.479Página 2.035 de 4.479

SOBRE NOSOTROS

Medios y Redes es una empresa con más de 20 años de experiencia en blogging y una amplia red de medios digitales que ofrece servicios relacionados con los contenidos online.

SÍGUENOS

© 1995-2024 Color Vivo Internet. Otros contenidos se cita fuente.