Connect with us

TECNO

¿Cómo sacarle el máximo provecho a tu Smart TV?

Publicado

on

Las Smart TVs salieron hace varios años pero todavía hay muchas características que tienen que son desconocidas por sus usuarios y que podrían ayudarlos a aprovecharlas mucho más.

Servicios de streaming

Gracias a la posibilidad de conectar a internet a las pantallas ahora se pueden ver servicios de streaming como YouTube o Netflix directamente desde el dispositivo. Esto hace que podamos disfrutar de películas, series, deportes y la infinita cantidad de videos que tienen esas plataformas.

Reproductor musical

De la misma manera que podemos conectar a YouTube o a Netflix a la pantalla, también podemos conectar Spotify. De esta manera, podemos utilizar nuestras TVs para escuchar música.

Redes sociales

Tanto Facebook como Twitter se disfrutan mucho desde el teléfono o la computadora, pero ambas plataformas tienen aplicaciones que están disponibles para pantallas inteligentes.

Internet

Si bien es imposible que reemplacen a una computadora, la realidad es que muchas personas utilizan sus Smart TVs para navegar por internet a través de los navegadores que tienen incorporados.

Dispositivo de comunicación

Algunas pantallas de gama alta vienen con cámaras incorporadas. Con ellas se pueden utilizar diferentes aplicaciones, como Skype, para poder comunicarse con terceros y hacer videollamadas.

Si no tenés un Smart TV o querés comprarte otro porque tenés querés que sea todavía más inteligente, todas las características de la lista están disponibles en el nuevo LG Nano Cell SJ9570.

Advertisement

TECNO

Twitter dará la opción de volver a ver los tuits cronológicamente

Publicado

on

Por

Twitter se dispone a dar marcha atrás después de provocar el descontento de sus usuarios hace dos años, cuando cambió su algoritmo para que vieran los mensajes más destacados en su hilo de noticias rompiendo con el orden cronológico en el que aparecían antes.

La red social “trabaja en nuevas formas de darles más control sobre su hilo de noticias”, informó a sus usuarios en una serie de mensajes el lunes por la noche.

Ahora Twitter dejará que sus usuarios reciban su hilo de noticias de acuerdo a sus preferencias: los mensajes se podrán mostrar por orden estrictamente cronológico, o a través del algoritmo que selecciona y pone de relieve los “mejores” tuits, una función claramente calcada de la de Facebook.

Esta opción se ofrecerá “en las próximas semanas”, dijo la red social.

La novedad introducida hace dos años permitió a Twitter ser “más pertinente y práctica”,aseguró la empresa con sede en San Francisco, que dijo, no obstante, que también toma en cuenta “las reacciones de los usuarios” adeptos al antiguo modo de funcionamiento cronológico.

Seguir leyendo

TECNO

Quién es el científico que lidera la revolución creativa de las máquinas

Publicado

on

Por

Ian Goodfellow es científico investigador de Google, en el departamente de Investigación y aprendizaje de las máquinas. Dentro de la comunidad científica es reconocido porque desarrolló una innovadora técnica llamada redes generativas antagónicas (GAN, por sus siglas en inglés) que les permite a las máquinas generar contenido original y súper realista. Casi como si fueran humanos. Y lo más impactante es que logran llegar a este estado a través de entrenamiento no supervisado.

Goodfellow podría considerarse una suerte de rockstar en el mundo de la tecnología pero a él no le gusta ese mote. Dice que estos logros no se le pueden atribuir sólo a una persona, sino que son el resultado de un trabajo en equipo y remarca que si bien él tuvo la idea original, otros colegas ayudaron a que el concepto terminara de tomar forma.

La idea surgió en 2014 después de un debate con unos compañeros de universidad en un bar. “Unos amigos estaban trabajando en un proyecto donde había un generador que medía varias estadística de datos reales y de muestras y querían asegurarse de que todas estas estadísticas fueran las mismas: en los datos reales y en las muestras generadas”, contó en diálogo con Infobae.

En ese entonces ya se habían comenzado a usar redes neuronales par generar nuevos datos pero los resultados no eran tan buenos: los productos generados por las máquinas se veían poco reales o tenían errores. Goodfellow propuso poner a competir dos redes neuronales, algo que para sus colegas parecía poco viable.

“Quería probar que tenía razón así que me fui del bar y codifique las dos soluciones de la red neuronal. Escribí el código a la madrugada, les mandé un mail a mis compañeros y luego armamos un documento juntos”.

Los colegas con los que escribió el ensayo son Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, , Aaron Courville y Yoshua Bengio. Todos figuran como autores del ensayo donde quedó plasmado el nacimiento formal de GAN que hoy permite generar imágenes y videos con un nivel de autenticidad que sorprende.

Estas imágenes fueron creadas a través de GAN en el marco de un proyecto que llevó adelante Nvidia. Son celebridades inventadas por la inteligencia artificial.

Estas imágenes fueron creadas a través de GAN en el marco de un proyecto que llevó adelante Nvidia. Son celebridades inventadas por la inteligencia artificial.

Y esto es apenas el comienzo de una serie de aplicaciones que ya están surgiendo. Hoy en día GAN se utiliza para diseñar coronas dentales y, en el futuro, se podría emplear para idear por completo una casa: desde el exterior y hasta sus interiores.

Goodfellow recibió a Infobae en las oficinas centrales de Google en Mountain View donde pasa gran parte del tiempo teniendo asesorando a expertos y haciendo capacitaciones en machine learning. Dijo que le gusta su trabajo aunque reconoce que extraña pasar varias horas escribiendo código, tal como hacía en sus comienzos.

-¿Cómo funciona GAN?

-Básicamente son dos redes que compiten entre ellas y mientras compiten están forzadas a mejorar en el juego al que juegan. Una de las redes es el generador y es el que crea las imágenes o cualquier otro dato que se quiera crear; y la otra red es el discriminador: mira una imagen y trata de adivinar si se trata de una imagen real, que viene de los datos de entrenamiento, o de una imagen falsa que viene del generador. Entonces si, por ejemplo, se empieza con una colección de imágenes de perros y se quiere entrenar al generador para que haga imágenes de perros, al comienzo el generador va a hacer imágenes al azar, que se verán como ruido estático, como el de una TV analógica vieja. Y el discriminador va a darse cuenta si es un perro es real y viene del set de datos para el entrenamiento o si es ruido estático que viene del generador y que es falso. Al entrenarlas, el generador logra hacer imágenes que engañan al discriminador. Entonces, al principio el generador hará bien los colores. Hará imágenes verdes y marrones porque la mayoría de las imágenes son de perros marrones en pasto verde y el generador será engañado por un rato. Y luego el discriminador aprenderá a buscar las formas de perros, y entonces el generador deberá hacer bien las formas para engañar al discriminador. Es un proceso donde cada una de las redes va mejorando y aprende de su oponente, y eventualmente se puede utilizar teoría del juego para analizar esta solución. Se puede probar que hay un equilibro de Nash donde el generador hace datos que lucen igual que la data de entrenamiento y el discriminador no puede notar la diferencia entre real y falso. Pero esto se logra en teoría, en la vida real todavía se nota si una imagen es real o no. Todavía no se llegó a ese estado.

-¿La mayoría de las redes neuronales se entrenan con GAN?

-No. La mayoría de las redes neuronales se entrenan con aprendizaje supervisado, que se es cuando se quiere hacer algo y uno tiene una entrada (input) y hay una salida (output) que se quiere automatizar. Por ejemplo, se puede buscar a una foto y que el sistema diga “hay un gato” en esta foto. En el aprendizaje no supervisado se le pide a una máquina que vea una serie de estas fotos y que descubra el concepto de gatos y perros a su manera y aprenda a categorizar las imágenes. Y eso no funciona del todo bien. Casi no hay uso del aprendizaje no supervisado en la industria ,aunque sí hay muchos ensayos sobre el aprendizaje no supervisado. Gran parte de lo que hacemos en Google y en otras industrias es el aprendizaje supervisado, es decir: se hace un set de datos con millones de fotos y se las categoriza diciendo “esto es un gato” o “esto es un perro” y estudiando la forma en que uno categoriza los datos. La computadora aprenda a replicar esa misma forma de categorización.

-Pero dentro de lo que es aprendizaje no supervisado, ¿qué otras técnicas se usan además de GAN?

-Hay muchas formas de encarar el aprendizaje no supervisado, las tres más populares son GAN, otra son las redes autorregresivas, que usamos en Google para WaveNet ( una red neuronal para generar audio) que potencia, por ejemplo, Google Assistant; y también está el autoencoder variacional (VAE). En la actualidad usamos aprendizaje no supervisado no para categorizar cosas sino para generar datos que se asemejan a los datos ingresados. Entonces, por ejemplo, WaveNet es un modelo que usamos en Google para crear discurso realista para que el teléfono o Google Assistant pueda hablar contigo. Eso está basado en un algoritmo de aprendizaje no supervisado que estudia varias horas de actores leyendo transcripciones y aprende cómo leer transcripciones y hacer ondas que suenen parecido a las ondas vocales en el entrenamiento.

En el proyecto “Everybody dance” se usa deep learning para generar pasos de baile.

En el proyecto “Everybody dance” se usa deep learning para generar pasos de baile.

-¿Qué otros usos se le da a estos sistemas de aprendizaje profundo?

-Vemos modelos de aprendizaje profundo que pueden crear fotos y videos. Hay un ensayo que se llama Everybody Dance Now (Todos bailen ahora) donde usan deep learning para ver el video de una persona bailando y luego toman fotos tuyas o de tu amigo y generan un video tuyo o de tu amigo que copia los movimientos de baile de la persona del video. Así que si no eres muy bueno bailando, como yo, está muy bueno tener un video tuyo imitando los pases de algún videoclip musical que te gusta. También hay redes neuronales que pueden dibujar caricaturas, y está WaveNet que ya mencioné y puede generar discursos. O sea que se usa para multimedia. Lo que más me emociona y una de las razones por las cuales quise hacer GAN es que estos modelos tienen el potencial de generar objetos que podemos usar en el mundo real. Hay una compañía que se llama Glidewell que hace coronas dentales usando GAN, que permite diseñar la corona e imprimirla en 3D de manera inmediata. No hay demora porque es rápido y se obtiene una corona realista que va con la forma de tus dientes en particular.

-¿Qué otros usos se le podría dar en el futuro?

-En el futuro creo que GAN se va a usar en varias disciplinas, como para hacer mejores medicinas, para el diseño de medicamentos, también podremos ver que se usará GAN para diseñar mejores secuencias de ADN, para convertir secuencias de ADN en proteínas y usarlas en medicina. Vimos algunas aplicaciones así en una empresa en Toronto llamada Insilico Medicine. Se podría usar GAN para diseñar chips más rápidos, autos más eficientes, edificios que sean más resistentes a los terremotos, o que sean más económicos de construir. Toda esta tecnología es muy incipiente, por ahora es difícil que un sistema de deep learning funcione. Se necesita un experto que lo realice, no es algo que se puede esperar que funcione solo en cualquiera aplicación, pero a medida que vayamos mejorando, espero ver esta tecnología cada vez en más áreas. Y empezará a ser algo que facilitará la vida y hará que diferentes industrias sean más eficientes. Por ahora es más que nada una herramienta de entretenimiento.

Ian Goodfellow desarrolló una innovadora técnica  de aprendizaje automático no supervisado.

Ian Goodfellow desarrolló una innovadora técnica  de aprendizaje automático no supervisado.

-Usted dice que hay fallas, pero yo vi imágenes creadas usando GAN y parecen bastante reales. ¿Qué es lo que no funciona entonces?

-Para las imágenes sí funciona, pero si se las quiere usar para diseñar nuevos procesadores para computadoras o edificios no son automáticas como para tomar un modelo y decir “diseñame un buen edificio”. Se han escrito miles de ensayos en los últimos cuatro años sobre este tema. Todavía no son tan automáticas como para ser usadas en cualquier tarea y pretender que funcionen.

-¿Qué hace falta mejorar? ¿Por qué es tan difícil que funcione?

-Muchas cosas tienen que mejorar. Cuando se corren estos sistemas hay varias configuraciones y es difícil saber el valor de cada configuración para que trabaje en un problema en particular. Mucho de lo que hace el humano es cambiar la forma en que el modelo está configurando hasta que comienza a funcionar, y eso puede llevar semanas o un mes. Si alguien no tiene suficiente experiencia le puede llevar incluso más tiempo. El otro punto es que ahora es muy fácil para las computadoras representar imágenes. Hacemos una cuadrícula de números que dice cuánto brillo tiene que tener cada píxel en la imagen pero es mucho más difícil para la computadora representar algo como un edificio. No tenemos una buena manera para que la computadora piense cómo ubicar todos los elementos, no se puede representar un edificio como una serie de números en una cuadrícula. Necesitamos diseñar nuevas formas para que la computadora pueda pensar cómo encajan los objetos a gran escala y que la forma del edificio tengan sentido y también representarlo a pequeña escala donde todos los tornillos encajen de manera adecuada.

Seguir leyendo

TECNO

El multimillonario japonés Yusaku Maezawa será el primer pasajero que volará alrededor de la Luna en el cohete de Space X

Publicado

on

Por

La compañía estadounidense SpaceX anunció el lunes que el multimillonario japonés Yusaku Maezawa, de 42 años, fundador de un importante sitio de moda y coleccionista de arte contemporáneo, sería su primer pasajero privado en dar la vuelta a la Luna a bordo del cohete más potente construido hasta ahora.

El BFR será el cohete más potente jamás construido. Podrá llevar astronautas hasta la Luna y Marte (Twitter/Space X)

El BFR será el cohete más potente jamás construido. Podrá llevar astronautas hasta la Luna y Marte (Twitter/Space X)

El fundador de SpaceX, Elon Musk, reveló la identidad del cliente en su presencia, en una ceremonia en su fábrica de cohetes en la sede de la firma Hawthorne en el área metropolitana de Los Ángeles.

Y después de haber sido presentado por Musk, Yusaku Maezawa anunció: “En 2023, voy a invitar a seis u ocho artistas de todo el mundo a unirse a mí en esta misión a la Luna”, dijo. Sin embargo, dejó en claro que esto tendrá un costo para los invitados: “Tendrán que crear algo en su retorno a la Tierra”, sentenció

“Sus obras inspirarán a todos los soñadores que están latentes en nosotros”, dijo.

View image on Twitter

View image on Twitter

“¡Decidí ir alrededor de la Luna!”, Repitió varias veces el multimillonario, quien afirmó que este era su “sueño de la infancia”.

Maezawa adelantó que ya pagó la reserva de todos los asientos en el cohete SpaceX RGC que se está construyendo, pero sin revelar el precio total.

Elon Musk y Yusaku Maezawa durante el anuncio (AP Photo/Chris Carlson)

Elon Musk y Yusaku Maezawa durante el anuncio (AP Photo/Chris Carlson)

Maezawa es el fundador y CEO de Zozo, el negocio minorista de moda en línea más grande de Japón,  y su fortuna se estima en 3.000 millones de dólares, según la revista especializada Forbes.

Este multimillonario es un hombre apasionado por el arte contemporáneo: compró una obra de Jean-Michel Basquiat el año pasado por 110,5 millones de dólares, después de haber adquirido obras de renombrados artistas entre ellos Pablo Picasso, Roy Lichtenstein, Andy Warhol, Alexander Calder o Jeff Koons. .

Durante la presentación, Musk dijo que Maezawa volará en un nuevo cohete de nombre BFR, el cual aún está en desarrollo. El cohete reutilizable de 118 metros (387 pies) de longitud tendrá su propia cápsula para pasajeros.

Seguir leyendo

#CLANfmOk

Tendencias