1

Los vehículos Ford funcionarán con Android Auto a partir de 2023

El fabricante de automóviles y Google han anunciado el inicio de una “asociación estratégica”.

Google y Ford han anunciado una asociación única en su tipo “que promete transformar tanto a Ford como a la industria automotriz”, dijo a los periodistas el CEO de Google Cloud, Thomas Kurian, durante una conferencia de prensa virtual el lunes.

“Ambos creemos que la relación entre Google y Ford establecerá una potencia de innovación”, agregó David McClelland, vicepresidente de estrategia y asociaciones de Ford. “Acelerará la modernización de nuestro negocio y de Ford, y lo más importante, nos permitirá superar las expectativas de nuestros clientes”.

Según los términos de la asociación de seis años, Ford ha nombrado a Google como su proveedor de nube preferido y, a partir de 2023, millones de vehículos Ford y Lincoln operarán usando Android Auto (tal como vimos en Polestar 2 ) con aplicaciones de Google. como Asistente y Mapas, integrados en el sistema de información y entretenimiento. Pero no se preocupe, los propietarios de iPhone, Ford continuará apoyando la funcionalidad Apple CarPlay y Amazon Alexa en el futuro.

Las dos empresas también planean establecer un grupo de trabajo colaborativo, denominado Team Upshift, que trabajará para “ampliar los límites de la modernización, desbloquear experiencias personalizadas de los clientes e impulsar oportunidades disruptivas impulsadas por datos. Por ejemplo, crearemos nuevas experiencias minoristas para los clientes cuando compren un vehículo ”, dijo McClelland.

“Hay una serie de aplicaciones diferentes, incluida la modernización del desarrollo de productos, la mejora de la gestión de la cadena de fabricación y suministro, el uso de visión por computadora, IA para la inspección de capacitación de los empleados de los equipos en la línea de ensamblaje”, explicó Kurian. “También estamos trabajando juntos para crear nuevos modelos comerciales para los datos: avisos en tiempo real a los consumidores sobre solicitudes de mantenimiento o alertas comerciales”.

Team Upshift trabajará con fabricantes de aplicaciones de terceros para desarrollar servicios adicionales de información y entretenimiento para el conductor para los vehículos de Ford con Android. “También tenemos el mecanismo para obtener datos de los automóviles”, explicó McClelland. “También puede ingresar al sistema analítico en la nube y proporcionar capacidades, por ejemplo, para ayudar al consumidor a detectar cuándo traer su automóvil para recibir garantías de servicio”. Sin embargo, McClelland aclaró que ningún dato personal recopilado de los conductores estará disponible para desarrolladores de terceros.

“Una vez que tienes una plataforma que te permite obtener datos y analizarlos”, continuó. “Hay muchas experiencias muy simples pero transformadoras que puede ofrecer a los conductores: por ejemplo, ayudarlos cuando necesitan programar una cita de servicio con el distribuidor o ayudarlos a comprar autos mejor personalizando las experiencias de compra”.




Cómo la inteligencia artificial revolucionará la UX (Experiencia de usuario)

¿Qué es una buena experiencia de usuario?

Imagínese entrar en un nuevo restaurante; te recibe el personal. Te dirigen a tu asiento, te dicen sus platos únicos y te ayudan a pedir comida. Ellos se aseguran de que te traten bien, te sirvan buena comida y reciban tus comentarios cuando te vayas. Es un ejemplo de una buena experiencia de usuario. Una mala experiencia de usuario es como una escalera de caracol sin fin; sigues subiendo las escaleras pero al final no encuentras lo que buscas. Sigues girando y girando, pero no surge nada.

En el mundo digital actual, la satisfacción del usuario juega un papel clave. Ya sea un sitio web, una aplicación móvil o atención al cliente, el trabajo es satisfacer al cliente. Y debido a esto, el proceso de diseño de UX ha ganado mucha importancia. Las tendencias de diseño de UX siguen evolucionando con el tiempo. Ahora es el momento de la Inteligencia Artificial (IA). En este blog, veamos cómo la IA ha revolucionado el campo del diseño.

5 formas de mejorar la experiencia del usuario con IA

La inteligencia artificial ha tenido un impacto dramático en la experiencia del usuario. Desde anuncios personalizados hasta chatbots inteligentes, la UX ha dado un gran salto. Analicemos cinco de las formas en que la IA ha mejorado la experiencia del usuario.

Experiencia de usuario personalizada

La inteligencia artificial ayuda a identificar el comportamiento y las expectativas del usuario. Verá patrones de comportamiento del usuario, que ayudarán a proporcionar recomendaciones y contenido personalizados a los usuarios. Un ejemplo de la vida real es cuando los usuarios reciben sugerencias de películas en plataformas OTT o sugerencias de videos en YouTube basadas en comportamientos pasados.

La IA ayuda a brindar contenido más útil a los usuarios. También ayuda a rastrear las interacciones del usuario en un sitio web. Entonces, si encuentra que los clientes tienen dificultades en un momento, puede cambiar el diseño o diseñar un chatbot para ayudar al cliente a avanzar más.

Contenido más inteligente

Los algoritmos de IA pueden determinar qué blogs leen los usuarios, datos de navegación por correo electrónico, sitios web visitados y la duración de cada sitio web. Esto ayuda a encontrar contenido relevante para redactar correos electrónicos personalizados para los clientes. Después de todo, ¿quién no preferiría un correo electrónico personalizado, incluso si tiene contenido promocional?

AI ayuda a crear contenido de correo electrónico personalizado para cada usuario mediante el análisis de sus patrones de comportamiento en cada sitio web y los blogs que leen. Ayuda a enviar correos electrónicos que son más relevantes para el cliente.

Trabajo ininterrumpido 24/7

A medida que se mejora la tecnología, la IA se vuelve más barata y productiva. Con la ayuda de la IA, puede lograr 24 horas de trabajo ininterrumpido. No necesariamente significa que la IA reemplazará a los humanos, pero las personas pueden concentrarse en tareas más complicadas. 

Con AI, es posible brindar asistencia a los clientes las 24 horas, los 7 días de la semana. También se asegurará de que los empleados no tengan que trabajar turnos adicionales. Esto asegura que el negocio fluya sin problemas y sin interrupciones.

Soporte al cliente integrado de IA

Los chatbots en los sitios web son ejemplos perfectos de soporte al cliente integrado de IA. Puede hablar con estos chatbots y ellos lo dirigirán en consecuencia. Otro ejemplo son los asistentes de voz con los que habla cuando llama al servicio de atención al cliente. Intentarán resolver su problema primero si no es posible; reenviarán la llamada de soporte técnico. Ayuda a gestionar el tráfico masivo de quejas de los clientes.

IoT para mejorar la experiencia del usuario

Cuando la inteligencia artificial toma la forma de IoT, surgen innumerables posibilidades para mejorar la experiencia del usuario. Los automóviles sin conductor son un ejemplo principal de esto. IoT puede hacer que sus casas sean inteligentes; El control automático de temperatura y luz es posible ahora. La combinación del pensamiento de diseño y la IoT proporciona una implementación de la tecnología IoT más eficaz y fácil de usar. 

¿Cómo puede la IA ayudar a los diseñadores a crear una mejor experiencia de usuario?

El uso de Inteligencia Artificial en el proceso de diseño lo ha hecho más cómodo y eficiente. Dado que la IA proporciona información sobre el comportamiento y los patrones del usuario, el diseño puede volverse más relevante y amigable para el cliente. Otro beneficio que ofrece la IA es la creación de prototipos. La creación de prototipos es el paso en el que el diseñador analiza la usabilidad de la idea de diseño. Veamos algunas de las herramientas de creación de prototipos basadas en IA y cómo pueden ayudar.

Uizard

Uizard es la mejor herramienta de creación de prototipos que transforma automáticamente el wireframe en prototipos. Puede convertir bocetos dibujados a mano o estructuras alámbricas en prototipos. Otro punto a destacar es que puede usar el código frontend automáticamente desde el prototipo. Simplifica y acelera el proceso de diseño. Uizard también tiene un sistema de guía de estilo incorporado que permite al diseñador crear componentes personalizados en la interfaz de usuario.

InVision

InVision es una de las herramientas de creación rápida de prototipos más populares. Con Invision, puede crear excelentes maquetas para los wireframes. Lo más destacado del diseñador puede crear animaciones, transiciones y compartir la pantalla con los otros diseñadores. Le permite al diseñador desarrollar la versión del diseño en la que se puede hacer clic para probarla y presentarla al usuario o cliente.

AI de Airbnb

La idea fundamental del proyecto era darle a la idea de prueba menos tiempo y más tiempo para probar el prototipo funcional. La tecnología de IA de Airbnb, los componentes de diseño de los bocetos dibujados a mano se pueden reconocer y se procesan automáticamente en el código fuente. Hace que el proceso de diseño sea más rápido y más eficiente.

Pensamientos finales

La Inteligencia Artificial ha hecho que la experiencia del usuario sea más enriquecedora. Se miman con productos y servicios personalizados. El negocio ahora se ha centrado más en la experiencia del usuario.

Con un uso más frecuente de IoT, la próxima gran novedad, la experiencia del usuario, mejorará aún más. Pero el diseño de UX para IoT debe investigarse más y ser más eficiente. Ayudará a la tecnología a ganar más popularidad entre las personas.

Estamos avanzando hacia un mundo más conectado digitalmente y dispositivos inteligentes. Imagine sitios web y aplicaciones que puedan evolucionar según los requisitos del usuario en tiempo real, como una película inteligente o una lista de reproducción de música para su estado de ánimo actual. La experiencia del usuario y las tendencias de diseño seguirán avanzando con el tiempo.




Tres tipos de sesgos en los modelos de IA y cómo podemos abordarlos

Un modelo de IA sesgado debe haber aprendido una relación sesgada entre sus entradas y salidas. 

Las herramientas de toma de decisiones automatizadas son cada vez más omnipresentes en nuestro mundo. Sin embargo, muchos de los modelos de aprendizaje automático (ML) detrás de ellos, desde los sistemas de reconocimiento facial hasta los anuncios en línea , muestran una clara evidencia de prejuicios raciales y de género. A medida que los modelos de ML se adoptan más ampliamente, se necesita especial cuidado y experiencia para garantizar que la inteligencia artificial (IA) mejore los resultados de manera justa.

Los modelos de AA deben apuntar y eliminar los sesgos en lugar de exacerbar la discriminación. Pero para construir modelos de IA justos, primero debemos crear mejores métodos para identificar las causas fundamentales del sesgo en la IA. Debemos entender cómo un modelo de IA sesgado aprende una relación sesgada entre sus entradas y salidas.

Los investigadores han identificado tres categorías de sesgo en la IA : prejuicio algorítmico, legado negativo y subestimación. El prejuicio algorítmico ocurre cuando existe una dependencia estadística entre las características protegidas y otra información utilizada para tomar una decisión. El legado negativo se refiere al sesgo ya presente en los datos utilizados para entrenar el modelo de IA. La subestimación ocurre cuando no hay suficientes datos para que el modelo saque conclusiones confiables para algunos segmentos de la población.

Profundicemos en cada uno de estos. 

Prejuicio algorítmico

El prejuicio algorítmico se deriva de las correlaciones entre las características protegidas y otros factores. Cuando esto sucede, no podemos reducir el sesgo simplemente eliminando las características protegidas de nuestro análisis porque la correlación puede llevar a decisiones sesgadas basadas en factores no protegidos. 

Por ejemplo, los primeros algoritmos de vigilancia policial predictiva no tenían acceso a datos raciales al hacer predicciones, pero los modelos dependían en gran medida de datos geográficos (por ejemplo, código postal), que se correlacionan con la raza. De esta manera, los modelos que son “ciegos” a los datos demográficos como el género y la raza aún pueden codificar esta información a través de otras características que están correlacionadas estadísticamente con atributos protegidos.

La Oficina de Protección Financiera del Consumidor, que trabaja para garantizar que los prestamistas cumplan con las leyes de préstamos justos, ha encontrado métodos estadísticos que combinan información basada en la geografía y el apellido en una probabilidad aproximada altamente confiable para la raza y el origen étnico. Estos hallazgos refutan la idea errónea prevalente de que un algoritmo será automáticamente menos sesgado si no se le da acceso a clases protegidas. Este fenómeno, conocido como discriminación por poder, puede mitigarse una vez que se identifica la causa raíz. Es decir, las infracciones se pueden reparar localizando cálculos intermedios dentro de un modelo que crea la característica de proxy y reemplazándolos con valores que están menos correlacionados con el atributo protegido. 

Contrariamente a la intuición, la solución ingenua de eliminar las características protegidas del entrenamiento del modelo en realidad puede dañar a los grupos que ya están en desventaja en ciertos casos. En el sistema judicial de EE. UU., Por ejemplo, las autoridades penitenciarias y las juntas de libertad condicional utilizan listas de verificación de factores de riesgo para tomar decisiones justas sobre el encarcelamiento y la liberación. Cuando tanto los humanos como los modelos de IA tienen información básica como el género, la edad, el cargo actual y el número de delitos previos de adultos y menores, los humanos y los modelos funcionan de manera comparable. 

Sin embargo, al proporcionar a los humanos y a los modelos 10 factores de riesgo adicionales relacionados con la educación y el uso de sustancias, los investigadores encontraron que los modelos de aprendizaje automático son más precisos y menos propensos a sesgos . Esto subraya la necesidad de comprender la causa raíz del sesgo de un modelo de IA en lugar de emplear ciegamente estrategias de remediación. 

Legado negativo

También es posible que el sesgo de un algoritmo se deba directamente a un sesgo análogo presente en sus datos de entrenamiento. Por ejemplo, los modelos de aprendizaje automático capacitados para realizar tareas de traducción de idiomas tendían a asociar nombres femeninos con atributos como “padres” y “bodas”, mientras que los nombres masculinos tenían una asociación más fuerte con palabras como “profesional” y “salario”. Es poco probable que el modelo esté recogiendo esta asociación por sí solo; más bien, está entrenado en un corpus de texto que refleja estos tropos de género. Este es un ejemplo de legado negativo 

Dentro del procesamiento del lenguaje natural, el sesgo de género es un problema preocupante pero bien estudiado: una comprensión clara de su causa presenta vías para corregirlo. En idiomas como el inglés, donde los sustantivos y adjetivos tienden a no tener un género, los investigadores han encontrado formas de hacer cumplir las incrustaciones de palabras para permanecer neutrales al género . En otros casos en los que el lenguaje tiene un género inherente, los corpus del lenguaje se pueden aumentar para evitar sesgos mediante la introducción de nuevos ejemplos que rompan las asociaciones causales entre las palabras de género y las neutrales al género. 

En otras áreas de aplicación, el legado negativo puede ser uno de los tipos de sesgo más difíciles de mitigar, ya que el sesgo está intrínsecamente integrado en el conjunto de datos del que aprende el modelo de aprendizaje automático. Como tal, el modelo puede codificar años de sesgo sistémico contra una población. Por ejemplo, hacer una línea roja o negar préstamos sistemáticamente a las personas en función del lugar donde viven puede sesgar los conjuntos de datos de aprobación de préstamos hacia los blancos. Este sesgo en los datos conduce a un comportamiento sesgado del modelo de IA. 

Si bien las estrategias de mitigación de sesgos existentes podrían intentar aumentar las tasas de aceptación de crédito para los solicitantes negros, esto podría ocultar la verdadera causa del sesgo del modelo y dificultar la resolución del problema subyacente. Se ha demostrado que los puntajes FICO, comúnmente utilizados como insumos en las decisiones crediticias, exhiben discriminación racial . En este caso, las estrategias de mitigación de sesgos post-hoc serían menos efectivas que buscar fuentes de datos alternativas que también exhiban conexiones causales con la solvencia crediticia. Por lo tanto, el legado negativo podría mitigarse encontrando datos alternativos.

Subestimación

Así como los datos pueden estar sesgados, también pueden ser insuficientes. Sin suficientes datos, los modelos de aprendizaje automático pueden fallar al converger o proporcionar predicciones confiables. 

Este es el problema de la subestimación. Amazon recientemente entrenó un modelo de aprendizaje automático para seleccionar a los solicitantes en su proceso de contratación, pero al igual que muchas otras empresas de tecnología, Amazon tiene una fuerza laboral desproporcionadamente masculina. 

Este desequilibrio de datos hizo que su modelo de inteligencia artificial tuviera más confianza al evaluar a los hombres, lo que llevó a recomendaciones más sólidas para los solicitantes masculinos. Al reconocer el sesgo en las recomendaciones hechas por el modelo, Amazon eliminó este modelo de su canal de reclutamiento. 

Es posible que Amazon haya podido construir una herramienta de reclutamiento imparcial si hubiera buscado más o mejores datos, pero sin una comprensión adecuada de por qué surgió el sesgo, esto hubiera sido imposible. En el caso de la subestimación, la certeza de un modelo de sus predicciones se puede analizar en subgrupos de la población, y el conjunto de datos subyacente se puede diversificar aumentándolo automáticamente con nuevas instancias .

Las medidas de certeza y estabilidad del modelo en una población son fundamentales para comprender si un modelo está preparado para hacer predicciones creíbles para todos los grupos de personas. En el caso de la subestimación, el conjunto de datos proporcionado no es lo suficientemente expresivo para capturar los matices de los datos. Sin embargo, las técnicas de entrenamiento contradictorio para promover la equidad o las estrategias de mitigación de sesgos post-hoc probablemente no serán tan exitosas como aumentar el conjunto de datos para que sea más completo.

No es ningún secreto que los algoritmos pueden codificar y perpetuar el sesgo, y esto puede tener consecuencias devastadoras. Pero si bien esto pinta una imagen sombría, es importante recordar que el sesgo algorítmico (a diferencia del sesgo humano) es, en última instancia, cuantificable y reparable si se trata de manera adecuada. En lugar de adoptar un enfoque ciego para reducir el sesgo de la IA, una comprensión precisa de las verdaderas causas detrás del sesgo es esencial para implementar una IA segura y confiable.

Si bien estas causas son complejas, los investigadores continúan desarrollando mejores formas de medir resultados dispares para grupos específicos , identificar características específicas que causan estas diferencias y elegir estrategias de mitigación razonables para fuentes específicas de sesgo. A medida que se automatizan más decisiones, debemos combatir el sesgo desde sus raíces para crear modelos justos y equitativos.

Anupam Datta es profesor de ingeniería eléctrica e informática en la Universidad Carnegie Mellon y científico jefe de Truera . Divya Gopinath, ingeniero de investigación de Truera, Mesi Kebed, ingeniero de Truera, Shayak Sen, director técnico de Truera, y John C. Mitchell, profesor de informática e ingeniería eléctrica en la Universidad de Stanford, contribuyeron a este artículo.




La empresa autónoma de camiones Plus utilizará inteligencia artificial y miles de millones de millas de datos para entrenar semiremolques autónomos

Los conductores más seguros son los que tienen más experiencia. Los estudios demuestran que pueden ser necesarios años de práctica para que los conductores de automóviles se conviertan en usuarios de la carretera cuidadosos y competentes. 

Del mismo modo, cuanta más experiencia tenga un conductor de camión, menos probabilidades habrá de que provoque un accidente grave.

Lo que es válido para los conductores humanos es válido para los sistemas de conducción autónomos, hasta cierto punto. Las plataformas de vehículos autónomos más seguras son las que han acumulado más experiencia.

Dado que la experiencia de conducción es tan importante, ¿cómo pueden los tecnólogos asegurarse de que los sistemas de conducción computarizados reciban la capacitación que necesitan para operar de manera segura en las carreteras y carreteras del país?

Resolver este desafío es la clave para desbloquear un futuro completamente autónomo.

Cómo aprenden las computadoras a conducir un semirremolque

Gracias a los avances en tecnología de sensores e inteligencia artificial (IA), un camión automatizado es capaz de analizar muchos objetos en la carretera y tomar una decisión sobre cómo responder.

Esto se logra en gran parte mediante el entrenamiento de los llamados algoritmos de “aprendizaje profundo”. Exponga repetidamente un sistema de conducción autónoma a todo tipo de obstáculos, desde un vehículo cerrado hasta un sitio de construcción, y el sistema comenzará a comprender cómo reaccionar cuando aparezca una obstrucción en la carretera.

Aquí es importante señalar que, a diferencia de las personas, las máquinas carecen de sentido común y no funcionan bien en situaciones nuevas. Los conductores humanos saben que deben reducir la velocidad ante un obstáculo inesperado, por ejemplo, un oso, porque podemos tomar decisiones basadas en situaciones similares que ya hemos encontrado o extrapolar de otros incidentes.

Sin embargo, a diferencia de los humanos, las redes neuronales profundas solo pueden aprender de los datos en los que han sido entrenados, ya sea de caminos públicos, circuitos cerrados o simulaciones por computadora.

Así que volvamos a la pregunta original: ¿cómo entrenas las máquinas para que estén expuestas a toda la gama de la experiencia de conducción?

Datos, datos y más datos

El objetivo de Plus es ayudar a los conductores de camiones en rutas de largo recorrido, donde se encuentran con una variedad de condiciones climáticas y de la carretera. Además de las pruebas en carreteras cerradas y las simulaciones por computadora, el sistema PlusDrive de la compañía está aprendiendo en carreteras abiertas, donde los camiones pueden estar expuestos a obstáculos y situaciones del mundo real. Basura volando desde una camioneta. Manchas de hielo. Una pala de aerogenerador. Una motocicleta zigzagueante.

Aunque estos llamados fenómenos de “cola larga” comprenden menos del 1% del tiempo detrás del volante, saber cómo navegarlos de manera segura es fundamental para las máquinas. La sociedad espera que una máquina operada por computadora sea al menos un orden de magnitud más segura que un conductor humano.

Miles de millones de millas de pruebas en carretera

A partir de este verano, Plus pondrá su sistema de conducción automatizado supervisado en producción en fábrica. También está modernizando camiones existentes con el sistema. Para esta época del próximo año, cientos de camiones automatizados impulsados ​​por PlusDrive estarán en la carretera transportando carga comercial.

Los conductores humanos estarán detrás del volante. Como un profesional experimentado que capacita a un nuevo recluta, los conductores de Plus monitorearán los camiones autónomos mientras les enseñan cómo manejar obstáculos inesperados.

Plus estima que su flota acumulará miles de millones de millas colectivas antes de que la empresa despliegue vehículos totalmente autónomos. Adoptar un enfoque evolutivo hacia la autonomía total permite a la empresa acumular millas más rápidamente, con la ayuda de conductores profesionales a bordo que están capacitando y validando el sistema.

Para respaldar su implementación global en los EE. UU., China, Europa y otros mercados, Plus recientemente recaudó $ 420 millones en nuevos fondos.

Retención del conductor de camión y solución baja en carbono

Los conductores también se benefician. La solución de transporte autónomo supervisado de Plus eleva el papel del conductor del camión, capacitándolo en preparación para un futuro autónomo. Al mismo tiempo, un copiloto digital aliviará el cansancio del conductor en rutas de largo recorrido y las flotas gastarán menos en el proceso de contratación.

El sistema produce otras ganancias. El combustible representa alrededor de un tercio del presupuesto operativo de una empresa de camiones, con mucho el mayor costo para los camiones pesados. Cuando un sistema automatizado comprende la carretera, incorporando GPS y datos meteorológicos también, optimiza los cambios y el frenado. Plus ha ejecutado proyectos piloto que muestran que PlusDrive ahorra el 10% del tanque en comparación con los conductores más eficientes, una ventaja para los resultados y el medio ambiente.

El futuro del transporte autónomo, ahora

Viajes espaciales comerciales, ciudades con energía solar, vehículos autónomos: las dos primeras visiones del futuro dependen de puntos de inflexión económica específicos, mientras que la tercera depende totalmente de la cantidad de datos que ha acumulado un sistema.

Plus está construyendo el circuito de retroalimentación de información necesaria hoy. Sus camiones están acumulando los datos. Sus conductores, que se encuentran entre los conductores de Clase A más seguros y eficientes, están entrenando al sistema con sus respuestas. Sus ingenieros están afinando los algoritmos y las decisiones de PlusDrive. Y, finalmente, PlusDrive será uno de los conductores más seguros y experimentados en la carretera.

Plus está aplicando la tecnología de transporte autónomo a los camiones en la actualidad. Para obtener más información, visite  www.plus.ai .




Tesla aspira a convertirse en una firma de robótica en Inteligencia Artificial

Lograr que la gente vea a Tesla como una empresa de robótica en Inteligencia Artificial es el nuevo objetivo de Elon Musk.

El director ejecutivo de TeslaElon Musk, anunció recientemente que la empresa ya no es solamente un fabricante de automóviles eléctricos, sino que actualmente se encuentran incursionando en inteligencia artificial con el desarrollo de uno de los equipos de IA de hardware software más fuertes del mundo

“El software que existía para resolver el problema de la conducción autónoma era realmente bastante primitivo, por lo que construimos un equipo desde cero y hemos estado desarrollando lo que creemos que es, probablemente, la inteligencia artificial más avanzada del mundo real”, reveló el líder tech a los analistas durante la llamada para dar a conocer el estado financiero de Tesla durante el primer trimestre de 2021. 

Cabe mencionar que días atrás la empresa estadounidense publicó su séptimo balance trimestral consecutivo con sólidas ganancias. De enero a marzo de 2021 logró un ingreso de 10.380 millones de dólares, lo que supone un incremento del 74% más que el primer trimestre del año anterior. 

Del mismo modo, declaró unos beneficios trimestrales récord en su historia con 438 millones de dólares

Durante el informe, la compañía dio a conocer que vendió el 10% de sus Bitcoin por un valor de 272 millones de dólares durante este último trimestre. De esta suma han obtenido ganancias de aproximadamente 101 millones de dólares

Recordemos que dos meses atrás Tesla sorprendió a todos al anunciar que había invertido 1.500 millones de dólares en Bitcoin y luego redobló su apuesta al dar a conocer que se podría comprar sus vehículos con esta criptomoneda

Por su parte, Zack Kirkhorn, director financiero de Tesla, sostuvo que el Bitcoin es una apuesta a largo plazo para la empresa: “creemos en el valor de Bitcoin a largo plazo y así lo mantendremos.” 

Tesla, automóviles

Hay que destacar que Tesla fue una de las primeras empresas en anunciar que iba a aceptar Bitcoins como medio de pago, y fue tal el impacto que generó la noticia que las propias declaraciones de Elon Musk movieron varias veces, para arriba y para abajo, la cotización de la más popular de las criptomonedas.

Pero retomando a la incursión de Tesla en el mundo de la inteligencia artificial, debemos señalar que desde hace un tiempo Musk ha impulsado la idea de que los inversores no solamente vean a la firma como un fabricante de automóviles y una empresa de energía, sino como un grupo de nuevas empresas

Space X, viajes al espacio

El emprendedor tiene meses argumentando que los centros de servicio de Tesla son una startup, la compañía de seguros de Tesla es una startup, el grupo de automatización de Tesla es una startup, etc.

En este sentido, el también cofundador de SpaceX, afirma que la inteligencia artificial y la robótica van a llegar a ser tan sinónimos de Tesla como ya lo son los automóviles y la energía. 

Open AI

Y es que el magnate sudafricano lleva años apostando e invirtiendo en empresas de inteligencia artificial. Un ejemplo de ello es OpenAI, compañía que fundó en el año 2015 junto con Sam AltmanIlya SutskeverGreg Brockman Wojciech Zaremba

OpenAI surgió con el objetivo de investigar y democratizar el acceso a la Inteligencia Artificial General. En sus orígenes, se trataba de una organización sin ánimo de lucro. Sin embargo, en el año 2020, se convirtió en una empresa y se asoció con Microsoft con el fin de conseguir nuevos avances, tanto en el ámbito del lenguaje con modelos GPT-3, como en el ámbito de la robótica y la visión artificial. 

Pero Musk aspira a más: piensa en Robotaxis, Inteligencia Artificial y provisión de energía. Tesla no será recordada tanto como una compañía automotriz, sino como una de Inteligencia Artificial y Robótica, dijo al respecto la revista británica The Economist. De hecho, Musk cree que está a punto de superar el desafío del vehículo auto-guiado a partir de 6 cámaras“machine learning” (uno de los pilares de la Inteligencia Artificial) y un “cerebro” computarizado capaz de reaccionar a velocidad suprahumana. 

Supercomputador Dojo

Además, la compañía continúa trabajando en Dojo, una supercomputadora para entrenar la IA autónoma de Tesla. Musk ha afirmado anteriormente que la supercomputadora Dojo de Tesla será capaz de realizar un exaFLOP, un quintillón (1018) de operaciones de punto flotante por segundo o 1.000 petaFLOPS, lo que la convierte en una de las computadoras más potentes del mundo. La misma se optimizará para entrenar redes neuronales y la pondrán a disposición de otras empresas. 

Empresa con varias verticales

Según The Economist, si Elon Musk logra mezclar autos, inteligencia artificial, software y energía, su mercado será extraordinariamente amplio. Y, como declaró recientemente el propio Musk, Tesla llegará a ser más conocida como una firma de robótica en Inteligencia Artificial.




Robotic solution for disinfecting food production plants wins agribusiness prize

The winners of this year’s Rabobank-MIT Food and Agribusiness Innovation Prize got a good indication their pitch was striking a chord when a judge offered to have his company partner with the team for an early demonstration. The offer signified demand for their solution — to say nothing of their chances of winning the pitch competition.

The annual competition’s MIT-based grand-prize winner, Human Dynamics, is seeking to improve sanitation in food production plants with a robotic drone — a “drobot” — that flies through facilities spraying soap and disinfectant.

The company says the product addresses major labor shortages for food production facilities, which often must carry out daily sanitation processes.

“They have to sanitize every night, and it’s extremely labor intensive and expensive,” says co-founder Tom Okamoto, a master’s student in MIT’s System Design and Management (SDM) program.

In the winning pitch, Okamoto said the average large food manufacturer spends $13 million on sanitation annually. When you combine the time sanitation processes takes away from production and delays due to human error, Human Dynamics estimates it’s tackling an $80 billion problem.

The company’s prototype uses a quadcopter drone that carries a tank, nozzle, and spray hose. Underneath the hood, the drone uses visual detection technology to validate that each area is clean, LIDAR to map out its path, and algorithms for route optimization.

The product is designed to automate repetitive tasks while complementing other cleaning efforts currently done by humans. Workers will still be required for certain aspects of cleaning and tasks like preparing and inspecting facilities during sanitation.

The company has already developed several proofs of concept and is planning to run a pilot project with a local food producer and distributor this summer.

The Human Dynamics team also includes MIT researcher Takahiro Nozaki, MIT master’s student Julia Chen, and Harvard Business School students Mike Mancinelli and Kaz Yoshimaru.

The company estimates that the addressable market for sanitation in food production facilities in the country is $3 billion.

The second-place prize went to Resourceful, which aims to help connect buyers and sellers of food waste byproducts through an online platform. The company says there’s a growing market for upcycled products made by companies selling things like edible chips made from juice pulp, building materials made from potato skins, and eyeglasses made from orange peels. But establishing a byproduct supply chain can be difficult.

“Being paid for byproducts should be low-hanging fruit for food manufacturers, but the system is broken,” says co-founder and CEO Kyra Atekwana, an MBA candidate at the University of Chicago’s Booth School of Business. “There are tens of millions of pounds of food waste produced in the U.S. every year, and there’s a variety of tech solutions … enabling this food waste and surplus to be captured by consumers. But there’s virtually nothing in the middle to unlock access to the 10.6 million tons of byproduct waste produced every year.”

Buyers and sellers can offer and browse food waste byproducts on the company’s subscription-based platform. The businesses can also connect and establish contracts through the platform. Resourceful charges a small fee for each transaction.

The company is currently launching pilots in the Chicago region before making a public launch later this year. It has also partnered with the Upcycled Food Association, a nonprofit focused on reducing food waste.

The winners were chosen from a group of seven finalist teams. Other finalists included:

  • Chicken Haus, a vertically integrated, fast-casual restaurant concept dedicated to serving locally sourced, bone-in fried chicken;
  • Joise Food Technologies, which is 3-D printing the next-generation of meat alternatives and other foods using 3-D biofabrication technology and sustainable food ink formulation;
  • Marble, which is developing a small-footprint robot to remove fat from the surface of meat cuts to achieve optimal yield;
  • Nice Rice, which is developing a rice alternative made from pea starch, which can be upcycled; and
  • Roofscapes, which deploys accessible wooden platforms to “vegetalize” roofs in dense urban areas to combat food insecurity and climate change.

This was the sixth year of the event, which was hosted by the MIT Food and Agriculture Club. The event was sponsored by Rabobank and MIT’s Abdul Latif Jameel World Water and Food Systems Lab (J-WAFS).




Cambridge Quantum avanza hacia la NPL y la computación cuántica con un nuevo director de inteligencia artificial

Cambridge Quantum Computing (CQC) contrató a Stephen Clark como jefe de IA la semana pasada podría ser una señal de que la compañía está impulsando la investigación sobre las formas en que la computación cuántica podría usarse para el procesamiento del lenguaje natural.

La computación cuántica está todavía en su infancia, pero promete resultados tan significativos que decenas de empresas están buscando nuevas arquitecturas cuánticas. Los investigadores de gigantes de la tecnología como IBM, Google y Honeywell están logrando un progreso mesurado en la demostración de la supremacía cuántica para problemas definidos de forma limitada. 

Las computadoras cuánticas con 50-100 qubits pueden realizar tareas que superan las capacidades de las computadoras digitales clásicas de hoy, “pero el ruido en las puertas cuánticas limitará el tamaño de los circuitos cuánticos que se pueden ejecutar de manera confiable”, profesor de física teórica del Instituto de Tecnología de California John Preskill escribió en un artículo reciente. 

“Podemos estar seguros de que la tecnología cuántica tendrá un impacto sustancial en la sociedad en las próximas décadas, pero no podemos estar tan seguros del potencial comercial de la tecnología cuántica a corto plazo, digamos en los próximos 5 a 10 años”.

CQC ha estado vendiendo software enfocado en casos de uso específicos, como en ciberseguridad y entrega farmacéutica y de medicamentos, a medida que el hardware está disponible. “Somos muy diferentes de las otras empresas de software cuántico que conocemos, que se centran principalmente en los ingresos basados ​​en consultoría”, dijo a VentureBeat el director ejecutivo de CQC, Ilyas Khan.

Por ejemplo, en medio de las preocupaciones de que las mejoras en el hardware cuántico facilitarán la ruptura de los algoritmos existentes utilizados en la criptografía moderna, CQC ideó un método para generar claves criptográficas resistentes a los cuánticos que no se pueden descifrar con los métodos actuales. CQC se asocia con compañías farmacéuticas y de descubrimiento de fármacos para desarrollar algoritmos cuánticos para mejorar el descubrimiento de materiales, como trabajar con Roche en el desarrollo de fármacos, Total en nuevos materiales para soluciones de captura y almacenamiento de carbono y CrownBio para el descubrimiento de nuevos biomarcadores para el tratamiento del cáncer.

Pasando a la IA

La incorporación de Clark al equipo de CQC indica que la compañía cambiará algunos de sus esfuerzos de investigación y desarrollo hacia el procesamiento cuántico del lenguaje natural (QNLP). Los seres humanos son buenos para componer significados, pero este proceso no se comprende bien. Investigaciones recientes establecieron que las computadoras cuánticas, incluso con sus limitaciones actuales, podrían aprender a razonar con la incertidumbre que forma parte de los escenarios del mundo real.

“No sabemos cómo componimos el significado y, por lo tanto, no hemos estado seguros de cómo este proceso se puede transferir a las máquinas / computadoras”, dijo Khan.

QNLP podría permitir la representación gramatical del lenguaje que da sentido al texto a un nivel más profundo que el que está disponible actualmente con los algoritmos de NLP de última generación como Bert y GPT 3.0. La compañía ya ha demostrado cierto éxito temprano en la representación y procesamiento de texto utilizando computadoras cuánticas, lo que sugiere que QNLP está a su alcance.

Clark fue anteriormente científico investigador senior en DeepMind y dirigió un equipo que trabajaba en el aprendizaje de idiomas basado en entornos virtuales. Tiene una larga trayectoria con el científico jefe de CQC, Bob Coecke, con quien colaboró ​​hace 15 años para diseñar un enfoque novedoso para procesar el lenguaje. Esa investigación se estancó debido a las limitaciones de las computadoras clásicas. La computación cuántica podría ayudar a abordar estos cuellos de botella, y hay planes para continuar ese programa de investigación, dijo Clark en un comunicado.

“Los métodos que desarrollamos para demostrar esto podrían mejorar una amplia gama de aplicaciones donde el razonamiento en sistemas complejos y la cuantificación de la incertidumbre son cruciales, incluidos los diagnósticos médicos, la detección de fallas en máquinas de misión crítica y la previsión financiera para la gestión de inversiones”, dijo Khan.

 




China is beating the US on AI, says noted investor Kai-Fu Lee

America may have created AI, but China is taking the ball and running when it comes to one of the world’s most pivotal technology innovations.

That’s according to Kai-Fu Lee,  a world-renowned AI expert who founded Sinovation, a China-U.S. fund that raised its fourth fund worth $1 billion earlier this year.

Speaking at TechCrunch Disrupt San Francisco, Lee — who led Google in China before it left the country — said any lead America’s tech industry may have enjoyed is rapidly being eroded by hungry Chinese entrepreneurs who have oodles more data at their disposal to build, train and deploy AI systems.

“People assume that because the U.S. is so strong in AI research, that the U.S. should dominate,” Lee said. “But actually, China is catching up really fast.”

Sinovation already has five AI companies in its portfolio that are valued at over $1 billion — that might be a record for any VC firm worldwide — and he explained China’s “magical ascent” in AI has taken just two years.

“Coming from way behind, now [China] is actually ahead of the U.S. in AI implementation,” Lee said. “AI we should think of it as electricity. Thomas Edison [the inventor of electricity] — and also the AI deep learning inventors who were American — they invented this stuff and then they generously shared it.

“Now, China, as the largest marketplace with the largest amount of data, is really using AI to find every way to add value to traditional businesses, to internet, to all kinds of spaces. The Chinese entrepreneurial ecosystem is huge so today the most valuable AI companies in computer vision, speech recognition, drones are all Chinese companies,” Lee added.

But it isn’t just progress in the eyes of investors — who create valuations through their investment — Lee said that Chinese AI firms generate more sales, too, while China accounts for nearly half of all VC investments and 43 percent of all AI startups.

“These are companies that were founded between two and four years ago,” Lee explained. “This is really how fast it’s been, you have to be there to see the excitement and the pace.”

In the case of Sinovation, their billion-dollar AI companies include crypto firm Bitmain,  image recognition company Megvii (known as Face++), fintech-focused 4th Paradigm, autonomous driving AI company Momenta and chip outfit Horizon Robotics.

Much of the reporting around how China is using artificial intelligence centers around ways that the government is using facial recognition for surveillance purposes. While that has included crime fighting, with facial recognition successfully used to identify and capture suspects, there are also concerns around more sinister applications, such as the surveillance of Chinese minority Uighur Muslims. China is reported to have detained as many as one million Uighur in camps, and facial recognition technology is believed to be one key part of surveillance strategy.

Lee, however, brushed off concern around the darker applications of AI in China, pointing out that the technology has the capacity to be abused anywhere in the world. He said China is also using the technology to develop new kinds of retail, manage busy urban traffic, build new kinds of educational services and more.

Indeed, Sinovation takes an unusual route to develop technologies and startups. As well as investing, it also develops technology in-house using a team of 200 people in its “institute.” Not only does that team work with portfolio companies and on a consultancy basis, but it develops its own services where it sees gaps in the market.

Indeed, the firm recently spun out its first venture from that tech team, which helps traditional retailers develop online-to-offline capabilities, which essentially marry the benefits of online commerce with more traditional brick and mortar retail. That’s a strategy in which Chinese e-commerce giants Alibaba  and JD.com  have invested heavily.




Big Data transforms connected cities

Mobility, health, commerce…everything is connected in cities. Thanks to digitalization and big data, now it is possible to combine all of these aspects, opening the door for better urban planning.

Technology provides a new outlook for the work of urban planners and architects, providing them with the best tools for performing their jobs. Hosted by the Norman Foster Foundation, several top-level professionals from around the world, led by the British architect himself, met in Madrid to debate this phenomenon, based on a “holistic focus”: mobility, urban planning, architecture, sustainability, consumption…which come together to design the cities of the future.

“You must have a cohesive vision,” said the architect and urban planner Tim Stonnor, managing director of the consultancy Space Syntax, “based on the need to respond to all changes caused by digitalization.” “Technology is an enormous engine of transformation,” he explained, “and it creates new challenges, but at the same time, provides the tools to solve them.”

Stonnor provided an example for clarification, “thanks to technology, people’s movements and in which areas there may be more loneliness and social isolation is better understood. Not just that, they can also detect the niches of the most sedentary population, which very likely will need more attention from the public health systems. In the city, everything is connected.

Big data is the key to designing better mobility policies, increasingly dedicated to pedestrians. According to Tilly Chang, executive director at San Francisco County Transportation Authority, the body responsible for mobility planning in the Californian city and its surroundings, “the key is to move people, not vehicles”. Stonnor shares this viewpoint, and thinks the door is being opened to design a new mobility that “recovers parts of the city that were lost decades ago due to the development of motorized transportation.”

However, the availability of all types of data not only represents an opportunity for designing mobility policies; there is also enormous potential with regard to the commerce and economic development of cities, which is the line of work of Urban Discovery, an initiative of BBVA Data & Analytics which studies anonymous data from transactions carried out with bank cards.

Its objective is to detect patterns of economic behavior that help to redesign the cities beyond the traditional administrative limits. It has already applied its model of urban intelligence in Madrid, Barcelona and Mexico City, and has identified new functional and socially dynamic areas along the way.

In fact, knowing how many people, when and where they make financial transactions is highly valuable information beyond the business context or related to commerce. Ultimately, financial movements represent the movement of people in space and time, and indicate the evolution of their relationship with entities, businesses and people in a certain geographic context.

Along these lines, and through a research project along with UN Global Pulse, BBVA Data & Analytics studied how this data allows analyzing a population’s capacity to recover economically after a natural catastrophe. The project, which studied the economic impact of Hurricane Odile on the Mexican state of Baja California Sur in 2016, showed that people spent 50% more than normal on products like food and gasoline to prepare for the hurricane. It also showed that women spent twice as much as men on the days before the hurricane touched the ground.

Present and future opportunities

The American architect Alfredo Brillembourg, founder of Urban Think Tank, focused a significant part of his participation in the debate—titled “Urban Mobility”, though many topics were discussed—on the role that urban planning should have in the less developed areas of the world.

Speaking to an audience mainly dominated by architecture students, he urged them to look for innovative solutions to cover basic needs. “In the next 30 years, 2 billion people will be born, and most will be in slums without basic services,” he emphasized. Data can also make a difference here in terms of planning.

“Technology,” affirmed Brillembourg, “will also be a tool to solve the most pressing needs of these cities,” though according to Carlo Ratti, director of MIT Senseable City Lab, “better than thinking about the future, we need to get started now on transforming the present.”