from Latest from TechRadar https://ift.tt/lnCgQsb
via IFTTT IA

La verificación de identidad suele ser vista como un punto de control único: presentar una identificación, tomar una selfie, o pasar una comprobación de vivacidad. En muchos entornos empresariales, eso basta para avanzar, y se asume que la persona verificada continúa al mando de la sesión. Pero esa premisa ya no sostiene ante la sofisticación de las amenazas actuales. La verificación no ha dejado de funcionar; simplemente, los fraudadores han aprendido a moverse después del control.

El fraude ha evolucionado más allá de derrotar la verificación inicial. El malware de secuestro de sesiones puede tomar el control tras un inicio de sesión legítimo. Las herramientas de acceso remoto pueden convertir el dispositivo de un cliente verificado en la terminal de un atacante. Operaciones de fraude pueden incluso reclutar a personas reales para completar el onboarding y, luego, transferir la sesión autenticada a otros actores o a sistemas automatizados. En el momento de la verificación, el documento, la cara y la persona pueden ser reales. El punto de control no fue derrotado necesariamente; se volvió irrelevante porque no estableció que la misma persona siguiera al mando minutos después. A esto lo llamo el “mentalidad de peaje”. La creencia de que aprobar la verificación al inicio garantiza confiar en lo que sucede después.

La identidad debe verse como una señal continua, un latido vivo que permanezca reconocible y coherente a lo largo de toda la sesión. El material ya está disponible: ritmo de escritura, patrones de navegación, telemetría del dispositivo y la manera en que alguien interactúa con un equipo pueden ayudar a establecer una línea base conductual en la onboarding. Esos signos pueden compararse con la actividad durante toda la sesión. Si alguien escribe a una velocidad normal pero de pronto genera miles de pulsaciones por minuto, algo ha cambiado. Si el movimiento natural de un dispositivo se vuelve estático, como si fuera un emulador, eso debe afectar el nivel de confianza asignado a la sesión.

La pregunta debe pasar de “¿verificamos a esta persona?” a “¿lo que estamos viendo ahora sigue siendo consistente con la persona y el dispositivo que confiamos originalmente?”. Cuando ese latido cambia de forma sustancial, el sistema puede aumentar la puntuación de riesgo, solicitar verificación adicional o, en un caso de alta confianza, terminar la sesión.

Las industrias que más avanzan son, no sorprendentemente, aquellas en las que el fraude puede traducirse de inmediato en pérdida financiera. Las fintech, intercambios de criptomonedas y neobancos tienen incentivos fuertes para adoptar una monitorización continua y basada en el riesgo. También se ha aprendido que añadir fricción en la puerta de entrada penaliza a los clientes legítimos sin crear un obstáculo equivalente para atacantes automatizados. Una persona tiene paciencia limitada para otra contraseña, código de un solo uso o desafío de identidad. Los sistemas automatizados no se frustran: pueden repetir procesos a escala. Por ello, las empresas no pueden simplemente “friccionar” más a los humanos que a las máquinas.

Los sectores aún aferrados a comprobaciones únicas (especialmente donde la autenticación basada en conocimiento sigue formando parte del modelo de seguridad) enfrentan el reto de que, en un entorno con una gran cantidad de información personal comprometida, las preguntas estáticas y las credenciales ofrecen una seguridad decreciente.

Un marco de cuatro partes para la confianza continua
Al igual que el corazón tiene cuatro componentes principales, también lo tiene el marco para tratar la identidad como un latido, no como una marca de tiempo. Las experiencias de seguridad empresarial deben ser fuertes y fluidas, previniendo interrupciones para clientes de bajo riesgo mientras se activa una intervención proporcionada ante comportamientos anómalos. Para quienes buscan hacer la transición, el marco operativo se compone de cuatro partes:
1) Línea base en onboarding: la verificación de identidad en la puerta se convierte en el evento de calibración. Capture la línea base conductual y de dispositivo cuando la identidad está en su punto más alto.
2) Monitoreo pasivo: la continuidad no tiene por qué ser intrusiva. Evalúe señales conductuales y de dispositivos relevantes en segundo plano, sin interrumpir repetidamente al cliente para pedir más datos. Identifique las señales necesarias para evaluar si una sesión sigue siendo confiable.
3) Escalamiento proporcional: la experiencia del cliente no puede quedar en segundo plano ante la seguridad. Ajuste umbrales para anomalías pequeñas y termine la sesión ante anomalías importantes. De este modo, evitará molestar a clientes válidos pidiendo más pruebas de identidad.
4) Conservar la evidencia: un rastro evidencial de señales de riesgo e intervenciones puede apoyar investigaciones, auditorías y cumplimiento regulatorio. En última instancia, las organizaciones deben usar esa evidencia para demostrar no solo que un usuario pasó la verificación, sino que la confianza se mantuvo después.

A medida que el fraude se desplaza más allá de las capacidades de la autenticación tradicional, las organizaciones deben saber no solo quién ingresó, sino si el latido digital en el otro lado de la puerta sigue perteneciendo a esa persona.

Este enfoque centrado en la identidad como un latido, no como un instante, propone una experiencia de seguridad robusta y al mismo tiempo respetuosa con el usuario. ¿Está su entorno preparado para evolucionar hacia una seguridad que acompañe a la experiencia del usuario en cada momento, adaptándose al comportamiento real y al contexto de cada sesión?

from Latest from TechRadar https://ift.tt/TAyVHoh
via IFTTT IA

from Latest from TechRadar https://ift.tt/U05BcjC
via IFTTT IA

En un entorno de trabajo desde casa, la gestión de cables puede convertirse en un verdadero dolor de cabeza. La Energizer 3-in-1 Magnetic Foldable Wireless Charging Stand ofrece una solución limpia y eficiente: carga simultánea para iPhone, AirPods y Apple Watch sin enredos, gracias a un diseño magnético y plegable que ahorra espacio en el escritorio.

Ideal para: usuarios de Apple que buscan una forma económica y compacta de cargar tres dispositivos a la vez, sin sacrificar rendimiento ni organización.

La oferta: La estación de carga Energizer 3-in-1 está disponible a 17,49 USD (anteriormente 49,99 USD) en Best Buy, como parte de una promoción de descuento.

Por qué importa: A un precio tan bajo, esta solución de carga triple resulta más asequible que adquirir accesorios individuales. Además, su diseño plegable facilita la portabilidad, ideal para viajes o espacios de trabajo reducidos.

La mejor oferta de hoy para estaciones de carga

Por qué lo recomendamos

La Energizer 3-in-1 permite cargar un iPhone, auriculares inalámbricos y un Apple Watch al mismo tiempo, con velocidades de carga de 5W/7,5W/10W/15W para el teléfono, 3W para los auriculares y 2,5W para el reloj. Su diseño plegable facilita el transporte, y su compatibilidad se extiende a otros teléfonos, como Samsung, Motorola y Nokia, ampliando su utilidad en hogares con dispositivos mixtos.

Contexto de precio y valor histórico

La promoción de Best Buy sitúa la estación Energizer 3-in-1 en 17,49 USD, frente a un precio habitual de 49,99 USD, lo que representa un descuento destacado para quienes buscan simplificar su espacio de carga.

Además, la promoción puede incluir beneficios adicionales para nuevos o antiguos suscriptores de Apple Music o Apple TV, ampliando el valor global de la oferta para usuarios del ecosistema Apple.

Para opciones adicionales, vale la pena revisar recopilaciones de cargadores para teléfonos que hemos evaluado y recomendados en nuestro análisis de productos de carga.

¿Deberías comprarla?

✅ Comprar la Energizer 3-in-1 si…

Regularmente cargas un iPhone, AirPods y Apple Watch y quieres eliminar varios cables con una estación compacta. A 17,49 USD, es una oferta muy atractiva y conveniente. Las pruebas gratuitas de Apple Music y Apple TV pueden aumentar aún más su valor para usuarios del ecosistema.

❌ No comprarla si…

Solo necesitas cargar un dispositivo o quieres la opción de la carga más rápida posible mediante cable. En ese caso, una estación dedicada con carga por cable podría ser más práctica.

Más ofertas de estaciones de carga

from Latest from TechRadar https://ift.tt/vmc5h08
via IFTTT IA

La adopción de la inteligencia artificial ha avanzado a un ritmo acelerado. Informes recientes señalan que una gran mayoría de organizaciones ya utiliza herramientas de IA en al menos una función del negocio, pero muy pocas han logrado escalar su uso a toda la organización y una fracción está aún en fases piloto. En el área de marketing, esa brecha se acentúa cuando un piloto de IA se enfrenta a la complejidad de un stack de datos existente. Un piloto puede demostrar la capacidad de un modelo cuando se le asigna una tarea definida y datos cuidadosamente seleccionados; trasladar esa capacidad a un entorno empresarial vivo, sin embargo, suele ser mucho más desafiante.

La raíz del problema a menudo no reside en el modelo en sí, sino en la forma en que se gestionan los datos de marketing. Los datos están dispersos entre plataformas, almacenes y sistemas internos, con estructuras y definiciones distintas que dificultan que la IA entienda qué significan realmente los números. Esto facilita que la salida de un modelo parezca creíble incluso cuando se basa en supuestos incorrectos.

Una solución clave es una capa de conocimiento que conecte las bases de datos con el razonamiento de la IA. Esta capa define conceptos canónicos, mapea definiciones entre plataformas y captura las reglas de negocio que deben aplicarse antes de considerar fiable un análisis. Al estar integrada sobre los almacenes de datos existentes, permite evitar inversiones costosas en sustitución de infraestructura.

La claridad de un punto de partida definido es crucial: en lugar de seguir la primera versión que el modelo encuentre de una métrica, la IA debe operar con una comprensión gobernada de lo que ese concepto significa en la organización y cómo interpretarlo correctamente.

Sin embargo, las definiciones estáticas no son suficientes. El rendimiento de marketing cambia con el negocio, por lo que la IA también necesita acceso al contexto que rodea una investigación. Una campaña puede mostrar un descenso en el rendimiento debido a un cambio presupuestario reciente, o a una promoción nueva o a una prueba de mercado en curso. Sin esa información contextual, la IA puede identificar un cambio con precisión, pero concluir de forma errónea la causa.

Esta distinción se refleja mejor al separar el conocimiento de marketing persistente del contexto que se resuelve para cada investigación. En este punto, la colaboración entre equipos de marketing y de datos es esencial: los primeros entienden los objetivos y cómo interpretar el rendimiento, mientras que los segundos conocen los sistemas y controles de gestión de datos. Juntas, estas perspectivas crean una base más útil para la IA: las definiciones pueden acordarse antes de integrarlas en flujos de trabajo automatizados, y los requisitos de gobernanza pueden seguir siendo parte del proceso analítico en lugar de añadirse después de generar un resultado.

La adopción de IA en producción exige confianza, no otro piloto. El siguiente salto requiere convertir estas bases en operación. La investigación de McKinsey indica que la mayoría de las organizaciones aún se sitúan entre la experimentación y la primera escala, a pesar del crecimiento de la adopción. Por ello, la prioridad para los responsables de marketing debe ser revisar lo que rodea al modelo, antes de incorporar uno más. ¿Las métricas relevantes están definidas de forma consistente? ¿Puede la IA entender cómo se relacionan esas métricas entre sistemas? ¿Sabe qué decisiones están modelando el rendimiento actualmente?

Una capa de conocimiento bien estructurada puede proporcionar la conexión faltante entre los datos empresariales y el razonamiento de la IA, dando a los modelos una comprensión gobernada del entorno operativo y reduciendo las suposiciones que deben hacer.

Así cambia la pregunta de producción: en lugar de preguntarse si un modelo nuevo es lo suficientemente capaz, las organizaciones pueden centrarse en si la IA ha recibido el conocimiento necesario para funcionar de forma confiable. Los modelos seguirán evolucionando, pero para las empresas que buscan convertir la inversión en IA en valor medible, la acción más inmediata es asegurar que esos modelos cuenten con una base de conocimiento estable para razonar.

En última instancia, los esfuerzos deben orientarse a convertir el impulso tecnológico en resultados tangibles, asegurando que la IA opere con una comprensión coherente del negocio y de sus reglas, para que las decisiones dependan menos de conjeturas y más de una interpretación compartida de los datos.

from Latest from TechRadar https://ift.tt/xyaEAwJ
via IFTTT IA

En medio de titulares sombríos sobre el impacto de la IA, una voz destacada ofrece una lectura fresca y pragmática: Linus Torvalds, fundador y principal mantenedor del kernel de Linux, compartió en Open Source Summit en Praga una visión que merece ser considerada con seriedad por desarrolladores y comunidades de código abierto. Este artículo explora sus ideas sobre cómo la IA está cambiando lo que significa ser programador hoy y por qué puede actuar como una puerta de entrada para jóvenes y principiantes.

Torvalds recordó los primeros días de Linux y el trayecto hacia la creación de Git, pero centró su reflexión en cómo la IA ha modificado el sentimiento y la experiencia de programar. Su tesis principal es que la IA puede reducir la intimidación inicial para quienes se acercan a la programación, especialmente para juniors y adolescentes que buscan orientarse en una industria que, a veces, parece intimidante y ultracompleja.

“La gente ama odiar a la IA. Creo que es una herramienta interesante, muy útil. Es una puerta de entrada y una vía para generar código realmente bueno”, declaró, con un tono que buscaba equilibrar humor y seriedad.

Sobre la idea de la IA y la noción de “fallar” o de hacer cosas que no están a la altura, Torvalds recordó sus inicios en programación, cuando desarrolló juegos de ordenador que, en su momento, “dejaban mucho que desear”, aunque todo lo demás también estaba lejos de ser perfecto. Este contexto ayuda a entender su argumento: lo importante no es la perfección desde el inicio, sino permitir que el proceso de aprendizaje comience y se mantenga agradable. En palabras del propio Torvalds, el objetivo es que el umbral para empezar sea lo suficientemente bajo como para que el aprendizaje tenga sentido y disfrute, sabiendo que llevará tiempo dominar las habilidades necesarias.

No obstante, advierte sobre el uso de la IA para trabajos serios, especialmente al inicio. Quien utilice la herramienta debe tener claro qué quiere lograr y cuál debe ser el resultado; de lo contrario, el riesgo de errores con consecuencias graves es alto. Así, recomienda comenzar con proyectos “de juguete” o proyectos personales antes de aplicar la IA a tareas de mayor envergadura. En su visión, la IA debe ser una puerta de entrada, no una sustitución del aprendizaje profundo.

Una parte importante de su discurso aborda el equilibrio entre entusiasmo y cautela: la IA puede facilitar el aprendizaje y la exploración, pero debe usarse con responsabilidad cuando el trabajo es real y relevante. Este enfoque sugiere que las comunidades técnicas deben educar a los usuarios sobre límites, objetivos y verificación de resultados para evitar malentendidos y errores costosos.

En cuanto a vulnerabilidades y parches generados por IA, Torvalds mencionó un fenómeno reciente: informes de vulnerabilidades y parches generados por IA que inundan listas de correo y comprometen la gestión de seguridad por la duplicación y la distribución de información no verificada. Aquel panorama llevó a que muchos mensajes fueran duplicados o poco útiles, obligando a los mantenedores a filtrar y redirigir esfuerzos. Esta experiencia subraya una verdad práctica: la tecnología, por poderosa que sea, requiere una gobernanza cuidadosa y un uso consciente para no desfavorecer la seguridad y la calidad del código.

Para enfrentar este desafío, Torvalds propone una estrategia paradójica: más IA, no menos. Al usar herramientas de IA para generar revisiones y parches, la comunidad puede racionalizar procesos y acelerar correcciones, siempre que exista control humano y una estructura de revisión sólida. La clave está en equilibrar el flujo de aportes automatizados con prácticas de mantenimiento y priorización que eviten la saturación y el ruido.

El mensaje central de Torvalds, entonces, es doble. Por un lado, la IA puede democratizar la programación al bajar las barreras de entrada y permitir que más personas participen y aprendan. Por otro lado, la comunidad técnica debe gestionar de forma consciente el uso de la IA para garantizar la calidad, la seguridad y la sostenibilidad de los proyectos. En resumen, la IA no es un fin en sí mismo, sino una herramienta que, bien utilizada, puede impulsar la creatividad, la colaboración y la formación de nuevas generaciones de programadores.

Este análisis propone pensar en la IA como un catalizador de aprendizaje y un acelerador de procesos, siempre dentro de una ética de uso responsable y una gobernanza que priorice la seguridad, la transparencia y la calidad del código. En un panorama tecnológico en constante cambio, la conversación de Torvalds nos invita a abrazar la IA como un aliado para aprender y construir, sin perder de vista la necesidad de aprender a fondo, con paciencia, curiosidad y rigor.

from Latest from TechRadar https://ift.tt/d4XuZcS
via IFTTT IA