El mercado global de IA aplicada al IoT ha experimentado un crecimiento acelerado en el último año, alcanzando 4.08 mil millones de dólares en 2025 y con proyecciones de llegar a 6.45 mil millones para 2035. Este avance refleja un cambio más amplio en la industria: ante la creciente adopción de IA, las organizaciones buscan un futuro más inteligente y conectado para maximizar el rendimiento de sus despliegues de IoT.

Construyendo defensas adicionales con seguridad impulsada por IA en IoT

La naturaleza del IoT es compleja, con dispositivos que a menudo operan fuera de los perímetros de seguridad tradicionales de TI y en entornos distribuidos globalmente. En este panorama, los dispositivos conectados se han convertido en la columna vertebral de operaciones diarias, desde energía y salud hasta retail y manufactura. A medida que aumenta la digitalización, también lo hacen las funciones críticas que dependen de dispositivos conectados.

A medida que las implementaciones se aceleran, también lo hace la superficie de ataque potencial del IoT. Por la interconexión de los dispositivos, cada uno puede convertirse en un punto de entrada para ciberdelincuentes. Con el informe del gobierno del Reino Unido sobre un coste anual de ciberataques de 14.7 mil millones de libras, es crucial que toda la implementación de IoT esté protegida.

Aunque direccionamientos IP privados y enfoques de APN privados pueden limitar la exposición, ofrecen visibilidad limitada del comportamiento de los dispositivos una vez que el tráfico fluye, especialmente a medida que las despliegas crecen en complejidad.

La IA, sin embargo, puede detectar lo que antes pasaba desapercibido. La seguridad se ha convertido en un área clave que puede ser elevada mediante detección de anomalías y amenazas impulsada por IA, capaz de identificar comportamientos como IPs sospechosas, ejecución remota de código, puertas traseras en dispositivos o conexiones de puertos anómalas. Esta detección de amenazas permite a las organizaciones identificar rápidamente la primera señal de un ciberataque.

La IA puede incluso ayudar a identificar la naturaleza de los ataques, como ataques de denegación de servicio distribuidos (DDoS) y ataques de hombre en el medio (MiTM), así como el control de dispositivos. Al señalar irregularidades en tiempo real y habilitar acciones correctivas rápidas, la IA fortalece la seguridad del IoT y apoya una gestión de riesgos más eficaz, ayudando a evitar interrupciones operativas, pérdidas financieras y daños a la reputación.

La IA desbloquea el valor de los datos del IoT

Más allá de las preocupaciones de seguridad derivadas del paisaje fragmentado del IoT, las organizaciones pueden enfrentar también desafíos de gestión de datos y de extracción de análisis significativos a través de las redes, dispositivos, entornos en la nube y procesos empresariales.

El IoT recopila y transmite constantemente grandes volúmenes de información; por ejemplo, una sola cámara de seguridad conectada a Internet puede generar unos 300 GB de datos al mes. Cuando estos dispositivos se multiplican y se despliegan a nivel global, el volumen de datos puede resultar abrumador y difícil de aprovechar eficazmente.

Además, el papel del IoT está evolucionando. Históricamente, el IoT ha conectado dispositivos y recogido datos, pero cada vez hay más presión en la industria para soluciones inteligentes que informen la toma de decisiones y impulsen resultados. Las empresas buscan herramientas más efectivas para extraer ideas significativas de la información del IoT; sin ello, corren el riesgo de no aprovechar plenamente el valor de sus datos.

La IA ofrece una solución prometedora a estos desafíos. La infraestructura preparada para IA está ganando prioridad entre las empresas para soportar la recopilación, transmisión, procesamiento e integración de datos en sistemas que faciliten insights impulsados por IA. El análisis inteligente que ofrece la IA facilita identificar patrones y tendencias en flotas de dispositivos, analizarlos de manera más eficiente, reducir la intervención manual y disminuir costos.

A través de analítica avanzada y aprendizaje automático, IAO T puede ayudar a las organizaciones a aprovechar mejor sus datos en toda la flota, transformando datos en un activo cada vez más valioso que impulsa la eficiencia y el valor a largo plazo.

La automatización potencia la eficiencia

Las vastas cantidades de datos del IoT también hacen que la intervención manual sea costosa, ineficaz y consumidora de tiempo. Estos desafíos pueden provocar que problemas de rendimiento escalen sin ser detectados o fallos críticos de dispositivos pasen desapercibidos.

Las capacidades analíticas y de automatización de la IA pueden apoyar la monitorización en tiempo real, la resolución automática de fallos y el mantenimiento predictivo. Al analizar datos sobre el uso de dispositivos, madurez de su ciclo de vida y rendimiento, la IA puede identificar posibles problemas antes de que surjan. Esto facilita un cambio de lo reactivo a lo proactivo, reduce el tiempo de inactividad y disminuye los costos operativos.

Los beneficios de la analítica impulsada por IA son de alcance industrial. En manufactura, por ejemplo, los sistemas de IA pueden usar datos de desempeño de equipos para estimar costos de mantenimiento, minimizando gastos y tiempos de inactividad posteriores. En sectores como la salud, el mantenimiento predictivo también ayuda a garantizar la resiliencia de servicios críticos como la monitorización remota de pacientes, donde es crucial que los dispositivos permanezcan conectados.

La automatización basada en reglas puede respaldar la gestión de flotas y la orquestación de eSIM, con muchas capacidades moviéndose gradualmente hacia una mayor automatización. En la práctica, la adopción es iterativa, empezando con reglas definidas y supervisión, para luego añadir ideas impulsadas por IA como uso en tiempo real, monitorización de rendimiento y detección de anomalías, lo que permite abordar problemas con mayor rapidez.

A medida que la automatización escale, los entornos de IoT podrán responder de forma flexible a condiciones cambiantes con una intervención manual reducida.

Sin embargo, también es importante señalar que a medida que este progreso continúa, la transparencia y la explicabilidad siguen siendo cruciales. Las organizaciones deben entender cómo se toman las decisiones y dónde sigue siendo necesaria la supervisión humana a medida que escalan.

Mirando hacia adelante: conectividad inteligente

La influencia de IAoT solo crecerá en el futuro. De hecho, Transforma Insights pronostica un aumento de las conexiones en más de seis veces durante una década. Gestionar flotas de manera inteligente y segura a escala, con la transparencia en el centro de las operaciones, debe convertirse en una prioridad de la industria.

Aquellos que logren integrar IA con conectividad escalable estarán mejor posicionados para ir más allá de la mera gestión de dispositivos y avanzar hacia operaciones verdaderamente inteligentes. Al hacerlo, abrirán nuevas eficiencias, fortalecerán la resiliencia y crearán un valor diferenciador en el IoT.

Este artículo se ha elaborado en el marco de TechRadar Pro Perspectives, nuestro canal para presentar a las mentes más brillantes en la industria tecnológica. Las opiniones expresadas pertenecen al autor y no necesariamente a TechRadar Pro o Future plc. Si estás interesado en contribuir, encuentra más información aquí: https://ift.tt/dsUeVwk

from Latest from TechRadar https://ift.tt/a56uQOA
via IFTTT IA

La inteligencia artificial ha pasado de la experimentación a la expectativa a una velocidad notablemente rápida. Lo que comenzó como pilotos aislados ahora se integra en todas las industrias, desde sectores altamente regulados como los servicios financieros hasta los campos más cercanos a la experiencia humana, como la salud y las artes.

En solo cuatro años de uso generalizado en las empresas, estas tecnologías han dejado de ser herramientas operativas para convertirse en una infraestructura empresarial que sustenta la resiliencia y exige la misma planificación y protección que cualquier otro sistema crítico. Este cambio está modificando la forma en que deben tomarse las decisiones de inversión en IA: ya no se trata de si invertir, sino de cómo garantizar que esas inversiones generen valor a largo plazo mientras se mitigan los riesgos operativos, de seguridad y de cumplimiento que crecen con el tiempo.

Además, la IA no es solo una inversión digital. Detrás de cada modelo, aplicación y flujo de trabajo existe un ecosistema tecnológico físico: servidores, almacenamiento, equipos de red, infraestructura intensiva en energía, dispositivos y las cadenas de suministro que las sostienen.

A medida que la adopción de IA se acelera, las empresas corren el riesgo de ampliar este ecosistema sin comprender completamente las consecuencias de su ciclo de vida, desde el aumento del consumo de energía y las rotaciones de infraestructuras hasta activos infrautilizados, residuos electrónicos y pérdida de valor residual.

Translating investment into impact (Traducción de la inversión en impacto)

La inversión en IA continúa aumentando de forma exponencial, aparentemente sin verse afectada por precios de mercado o inestabilidad económica. Hoy, el 71% de los directores ejecutivos sitúan a la IA como una prioridad de inversión, pero muchos aún luchan por traducir el gasto de capital en valor operativo.

Según Gartner, al menos el 50% de los proyectos de IA se abandonan tras la prueba de concepto. Los proyectos que llegan a operar a menudo no brindan retorno de la inversión, y el 56% de los CEOS indican que no han obtenido beneficios de ingresos o ahorro de costos de los proyectos de IA.

Este fenómeno apunta a un problema más profundo: el éxito de la IA depende menos de la experimentación por sí sola y más de la calidad de las decisiones de inversión, gobernanza y desarrollo de capacidades que siguen.

La brecha de impacto de IA (AI impact gap)

A medida que la complejidad aumenta, surge una brecha de impacto de la inversión. Los líderes esperan que la IA y la tecnología que la respalda entreguen valor estratégico, mejoren el rendimiento y reduzcan riesgos, pero al tomar decisiones de inversión suelen priorizar los costos a corto plazo sobre los factores del ciclo de vida que determinan si esos resultados pueden realmente alcanzarse.

Sin una visión de las consecuencias del ciclo de vida de sus inversiones, a medida que la adopción de IA se acelera, las empresas tienden a priorizar factores que son más fáciles de cuantificar y actuar a corto plazo. Nuestra propia investigación muestra que el 64% de las organizaciones han rechazado una solución tecnológica superior debido a su precio inicial.

Esto puede aliviar la tensión financiera inmediata, pero también puede introducir fricción operativa, problemas de escalabilidad y erosionar el desempeño a lo largo del tiempo. Como señaló Dan Diasio, CTO de las Américas de EY: “Hay un límite muy claro para la cantidad de valor que se puede crear enfocándose solo en la productividad y la reducción de costos”.

La IA introduce dinámicas de costo completamente nuevas. Las empresas deben considerar no solo la adquisición e implementación, sino también el gasto continuo vinculado al uso, al consumo de energía, a la gobernanza, al cumplimiento, a la infraestructura y a la evolución de los modelos. Estos impactos del ciclo de vida a menudo son invisibles en los casos de negocio tradicionales, pero cada vez más determinan si las inversiones en IA generan valor duradero.

La gobernanza eficaz de IA comienza con la responsabilidad y la visibilidad (Good AI governance starts with accountability and visibility)

De manera similar, la IA no respeta límites organizacionales. Sus costos, riesgos y valor se distribuyen por toda la empresa, lo que hace esencial una responsabilidad transversal. Sin embargo, las decisiones de inversión se suelen evaluar en silos, dificultando construir una visión completa de los riesgos y el valor que emergen a lo largo del ciclo de vida.

Además, las organizaciones deben comprender el alcance y alcance de los sistemas que tienen en producción, así como los impactos financieros, operativos, de seguridad y ambientales que tendrán a lo largo de su ciclo de vida.

Sin esta visión de extremo a extremo, pueden aparecer grandes vacíos financieros y operativos en momentos críticos, muchos de los cuales no se anticipan ni se planifican. Si bien la seguridad, la privacidad y el cumplimiento figuran entre las principales preocupaciones de IA, nuestra investigación encontró que menos de la mitad califican la protección de datos (49%) o las capacidades de cumplimiento (46%) como una alta prioridad al tomar decisiones de inversión tecnológica.

Del costo al impacto impulsado por la IA (From cost to AI-driven impact)

Para cerrar esta brecha, las empresas deben ir más allá de las evaluaciones limitadas del precio inicial y del ROI cercano. Estas medidas siguen siendo importantes, pero no capturan las consecuencias del ciclo de vida de las inversiones en IA, especialmente cuando los sistemas se integran en operaciones críticas y comienzan a influir en el rendimiento, la resiliencia, el cumplimiento, el riesgo, la reputación y la creación de valor a largo plazo.

Este es el fundamento de Total Cost of Impact (TCI). TCI es un nuevo modelo que ayuda a las organizaciones a evaluar las inversiones en tecnología a través de una perspectiva de ciclo de vida más amplia, evaluando no solo cuánto cuesta comprar e implementar una solución, sino lo que requerirá, habilitará, limitará y expondrá al negocio con el tiempo.

TCI evalúa cuatro áreas centrales de impacto tecnológico: financiero, operacional, seguridad y cumplimiento, y ambiental y social, fomentando que las organizaciones comprendan cómo las decisiones de inversión actuales influyen en los resultados con el tiempo.

Cuando se aplica en el punto de inversión, TCI revela los trade-offs, riesgos y las consecuencias a futuro que a menudo pasan desapercibidas en los modelos de adquisición convencionales. Al hacerlo, crea un lenguaje común entre las funciones empresariales, reduce fricciones, mejora la colaboración y ayuda a garantizar que las inversiones en tecnología estén alineadas con las prioridades estratégicas desde el principio.

Es importante destacar que TCI es un modelo agnóstico: puede usarse no solo para evaluar si las tecnologías habilitadas por IA entregan valor empresarial, sino también para evaluar cómo se adquiere, utiliza, escala, mantiene, reutiliza y, en última instancia, se retira la infraestructura que las soporta.

Mirando hacia adelante (Looking ahead)

A medida que los ciclos de IA se acortan, las demandas de infraestructura crecen y las limitaciones de recursos se intensifican, adoptar un enfoque de ciclo de vida para la inversión tecnológica se convierte en una necesidad estratégica.

El despliegue de IA no puede separarse de la infraestructura física que la habilita. Las organizaciones deben entender no solo lo que pueden lograr los sistemas de IA, sino lo que requerirán en energía, datos y gobernanza de activos, mantenimiento, ciclos de actualización y gestión de fin de vida a lo largo del tiempo.

Por ello, la circularidad debe formar parte de la conversación sobre inversión en IA. Al adoptar una visión de extremo a extremo de los activos tecnológicos, las empresas pueden identificar oportunidades para prolongar la vida útil, aumentar la utilización, recuperar valor residual, reducir residuos y gestionar el riesgo de fin de vida. La circularidad no es una agenda de sostenibilidad separada; es una forma práctica de reducir costos ocultos, fortalecer la resiliencia y mejorar el impacto a largo plazo de la inversión en IA.

En última instancia, el éxito con la IA dependerá no solo de las capacidades que las organizaciones implementen, sino de la calidad de las decisiones que las respalden. Aquellas que evalúen el impacto completo de sus decisiones tecnológicas desde el inicio estarán mejor posicionadas para capturar valor, gestionar riesgos y construir una infraestructura digital resiliente y preparada para el futuro.

Este artículo forma parte de TechRadar Pro Perspectives, nuestra vía para presentar las ideas de las mentes más brillantes de la industria tecnológica. Las opiniones expresadas aquí corresponden a su autor y no necesariamente a TechRadar Pro o Future plc. Si está interesado en contribuir, obtenga más información aquí: https://ift.tt/dsUeVwk

from Latest from TechRadar https://ift.tt/LVglBw4
via IFTTT IA

from Latest from TechRadar https://ift.tt/JZK4aLP
via IFTTT IA

El proceso de nominaciones ha dado paso a la revelación de los finalistas para la edición 2026 de Power 50. Este reconocimiento forma parte de Mobile Industry Awards 2026 y destaca a las figuras más importantes e influyentes de la industria móvil en el Reino Unido durante el último año.

Los finalistas para el Power 50 2026 ya han sido decididos, y las posiciones finales se darán a conocer durante la entrega de premios. Cabe señalar que, para mayor claridad, los nombres están organizados alfabéticamente por nombre de pila y no reflejan las clasificaciones finales.

Puede consultar la lista de resultados y ver la edición de 2026 haciendo clic en el siguiente enlace: View the 2026 Power 50 here! Las ganadoras y ganadores serán premiados con el Power 50 durante la ceremonia de los Mobile Industry Awards, que tendrá lugar el 17 de septiembre de 2026. Este reconocimiento se otorga tras entrevistas en profundidad con figuras clave de la industria, abarcando operadores, minoristas, fabricantes y distribuidores.

El Power 50 premia a aquellos ejecutivos que demuestran liderazgo audaz y visión, y que superan las expectativas en diversas categorías, inspirando no solo a sus propias empresas sino al conjunto del sector.

Historia del Power 50: ganadores anteriores
– 2025: Max Taylor, CEO, VodafoneThree
– 2024: Marc Allera, CEO – EE y Consumer Division en BT Group
– 2023: Ahmed Essam, CEO, Vodafone UK
– 2022: Lutz Schüler, CEO, Virgin Media O2
– 2021: Marc Allera, CEO, EE y BT Consumer
– 2020: Nick Jeffrey, CEO, Vodafone
– 2019: Marc Allera, CEO, EE y BT Consumer
– 2018: Marc Allera, CEO, EE y BT Consumer
– 2017: David Dyson, CEO Three UK
– 2016: Sebastian James, Group CEO, Dixons Carphone
– 2015: Sebastian James, Group CEO, Dixons Carphone
– 2014: Andrew Harrison, CEO, Carphone Warehouse
– 2013: Olaf Swantee, CEO, EE
– 2012: Simon Stanford, VP de UK & Ireland telecoms y networks division, Samsung UK
– 2011: Guy Laurence, CEO, Vodafone UK
– 2010: Tom Alexander, CEO, Everything Everywhere
– 2009: Andrew Harrison, CEO, Carphone Warehouse
– 2008: Kevin Russell, CEO, Three UK

Para obtener más información sobre Power 50 o para involucrarse en los Mobile Industry Awards 2026, visite el sitio de los premios aquí.

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

En un mundo donde la identidad digital se valida cada vez más rápido, muchas estrategias antifraude operan bajo un supuesto limitado: evaluar documentos, no a las personas. Este enfoque, eficiente en apariencia, ha mostrado una debilidad estructural ante una amenaza creciente: las identidades sintéticas creadas con IA generativa que superan las verificaciones documentales sin ser dignas de confianza.

La realidad operativa es contundente. Un cliente se registra en un servicio fintech; una identificación expedida por el gobierno pasa cada control documental, su selfie coincide y el nombre se verifica contra una base de datos; la incorporación se completa. Lo que pasa desapercibido es que la identidad podría no pertenecer a una persona real, sino haber sido ensamblada en minutos para pasar exactamente las comprobaciones ejecutadas. El resultado puede ser una cuenta dormida que, semanas después, ejecuta un fraude de alto costo para la plataforma. En el primer trimestre del año pasado, el fraude habilitado por deepfakes ya superó los cientos de millones de dólares a nivel global.

Este no es un escenario de prueba; el fraude de identidades sintéticas es la condición operativa de cualquier negocio que onboarda clientes digitalmente. Y la respuesta por defecto de la industria —recolectar un ID, verificarlo y continuar— no estaba diseñada para enfrentar esta realidad.

La ceguera del primer enfoque en el documento

El modelo centrado en el documento tiene una falla estructural: solo reacciona ante un fraude cuando llega un documento. El contexto de intención, el comportamiento y la coherencia de la existencia digital de un usuario quedan fuera de alcance. La verificación de identidad se convierte en un evento único en lugar de una evaluación continua a lo largo del ciclo de vida del cliente.

Esta arquitectura tiene un costo medible. Las pérdidas por fraude habilitado por IA generativa en EE. UU. se proyectan en 40.000 millones de dólares para 2027, frente a 12,3 mil millones en 2023, lo que implica una tasa de crecimiento anual compuesta (CAGR) del 32%. El mercado negro ya ha industrializado la oferta: kits de fraude que producen videos deepfake y documentos sintéticos se venden por tan solo 20 dólares, poniendo herramientas de fraude sofisticadas al alcance de cualquiera que esté dispuesto a pagar.

El daño se observa a nivel de cartera. El fraude de identidades sintéticas, identidades fabricadas a partir de datos reales e inventados, representa entre el 10% y el 15% de las pérdidas por incobrabilidad en una cartera típica de préstamos no asegurados. No es un riesgo marginal; es parte del costo de hacer crédito.

De KYC a la prueba de humanidad

El problema no es que la verificación de documentos sea imperfecta. El problema es que la verificación de documentos pregunta la pregunta equivocada. La prueba de humanidad reformula el objetivo: en lugar de preguntar “¿Este ID es real?”, se pregunta “¿hay una persona humana real y única detrás de esta transacción?” y mantiene esa indagación de forma continua a lo largo del ciclo del cliente, no solo al onboarding.

Operativamente, la diferencia importa. Los果 fraudes ingenian identidades sintéticas para superar las comprobaciones documentales. Un ID falso convincente pasa las mismas detecciones de OCR y de liveness que uno legítimo. Lo que no puede reproducir —ni de forma convincente ni a escala— es el contexto completo de la existencia digital de una persona real. Ese contexto es donde vive la prueba de humanidad y dónde debe operar la verificación eficaz.

Una persona real deja huellas en años de interacción con servicios digitales: direcciones de correo registradas en servicios reales, números de teléfono vinculados a operadores consistentes, dispositivos con historiales que abarcan múltiples sesiones y redes, y patrones de comportamiento que reflejan cómo los humanos navegan por productos. Ninguna de estas huellas, por sí sola, es decisiva, pero su presencia o ausencia cuenta la historia que una identidad fabricada, por pulida que esté, no ha podido construir.

Cómo se ve una evaluación de múltiples señales

Ninguna señal aislada cuenta la historia completa. Una evaluación eficaz de identidad requiere múltiples señales independientes que, juntas, revelen una identidad coherente o su ausencia. Señales explícitas forman la base: eKYC y verificación de bases de datos oficiales cruzan la información proporcionada por el usuario con registros gubernamentales, confirmando que la identidad existe y pertenece a la persona que afirma ser. La autenticación de documentos valida las identificaciones presentadas. Los controles de liveness biométrico confirman la presencia de una persona real en tiempo real.

Estas señales explícitas son necesarias, pero insuficientes. Las señales implícitas aportan el contexto circundante y resultan mucho más difíciles de fabricar para un impostor. Análisis de huella digital examina si una dirección de correo tiene un historial real, si las cuentas de redes sociales muestran actividad auténtica y si un número de teléfono se asocia a patrones del mundo real. La inteligencia de dispositivos detecta anomalías en entornos de hardware y software. Las señales conductuales señalan patrones de interacción que difieren de la conducta humana real.

El valor de superponer estas señales es combinatorio. Un fraude puede fabricar un documento convincente, pero crear simultáneamente una dirección de correo histórica de años, una presencia social coherente, una huella de dispositivo limpia y ritmos conductuales naturales es un problema de nivel distinto. Cada señal adicional aumenta el costo y la complejidad de la falsificación, hasta que engañar al cuadro completo se vuelve inviable económicamente.

Operando a través de fronteras

Para empresas con bases de clientes multinacionales, la verificación en múltiples capas es una exigencia estructural. El panorama regulatorio avanza con rapidez. La Wallet de Identidad Digital de la Unión Europea, que todas las naciones miembro deben soportar para diciembre de 2026, transformará la manera en que la identidad del consumidor funciona dentro del bloque. Los programas nacionales de eID se expanden en Asia, África y América Latina, con cronogramas y estándares técnicos variables. El Banco Mundial estima que 850 millones de personas aún carecen de identificación gubernamental oficial, una realidad que hace que la cobertura digital y la inclusión sean prioridades paralelas.

Las empresas que operan con eficacia en este entorno necesitarán una cobertura de verificación lo suficientemente amplia para coincidir con su base de clientes y lo suficientemente ágil para adaptarse a requisitos regulatorios cambiantes. Los controles eKYC y eID a través de esquemas nacionales y regionales son la línea base. La ventaja operativa radica en lo que rodea a esos controles: las señales implícitas que distinguen a un solicitante genuino de una identidad sintética, independientemente de qué marco de ID de jurisdicción se presente.

Verificar a la persona, no el ID

La evaluación de riesgo debe estar avanzada incluso antes de que se presente un documento. Cuando la huella digital, la inteligencia de dispositivos y las señales conductuales trabajan desde el primer contacto, las identidades sintéticas se filtran antes de llegar a los pasos de verificación más costosos, y los usuarios legítimos obtienen una aprobación más rápida porque el sistema ya tiene contexto.

Esa arquitectura solo funciona cuando fraude, verificación de identidad y cumplimiento contra el lavado de dinero comparten un entorno de datos unificado, en lugar de operar en paralelo. Las organizaciones que construyen esa capacidad hoy se preparan para absorber menos pérdidas y para incorporar a los clientes que sus competidores no pueden confirmar con confianza.

Este artículo fue producido como parte de TechRadar Pro Perspectives, nuestra voz para presentar a las mentes más brillantes de la industria tecnológica actual.

from Latest from TechRadar https://ift.tt/4PvdiW8
via IFTTT IA

from Latest from TechRadar https://ift.tt/Yu5rEym
via IFTTT IA

En una era cada vez más dominada por la inteligencia artificial y la automatización, es sorprendente cuánta parte de la construcción sigue siendo manual. La brecha es especialmente marcada en los data centers: instalaciones diseñadas para soportar tecnología de vanguardia, pero cuya entrega continúa ralentizándose por una fragmentación significativa y tareas manuales que consumen tiempo.

Uno de los mayores desafíos de la industria parece ser capturar y entender qué está sucediendo realmente en un proyecto. Los gestores de proyectos pueden invertir decenas de horas en recorrer obra, verificar el trabajo realizado y coordinar a contratistas que operan con calendarios diferentes. Cuando la documentación se retrasa, problemas menores pueden pasar inadvertidos y, con el tiempo, convertirse en retrasos costosos.

Aunque la industria está empezando a familiarizarse con esta tecnología, la construcción presenta sus propias dificultades. La autonomía funciona mejor dentro de parámetros fijos y con un número limitado de variables, pero en un sitio en vivo reina lo opuesto: planes cambiantes, materiales en movimiento, nuevas estructuras en construcción y múltiples oficios trabajando juntos.

La construcción es donde la automatización falla: ¿es ahora el punto de inflexión?

Estas son exactamente las condiciones que han hecho que la automatización resulte ineficaz en la construcción. Pero la automatización no es impracticable ni imposible; simplemente significa que los proveedores deben centrarse en las tareas donde las máquinas pueden ofrecer los mejores resultados.

El progreso en la captura de datos, la documentación secundaria y las inspecciones rutinarias son áreas donde la automatización podría funcionar mejor y, lo que es aún más ventajoso, empresas como OpenSpace sostienen que gran parte de este trabajo puede realizarse fuera de las horas normales de operación para reducir la disrupción y la exposición a un entorno dinámico y en vivo.

Los data centers podrían convertirse en un campo de pruebas idóneo para ello, con planos de planta grandes, diseños repetibles y una presión de calendario intensa. Con datos actualizados a partir de verificaciones nocturnas, por ejemplo, los líderes podrían evaluar el progreso e identificar áreas que requieren atención adicional.

Pero recolectar esos datos es solo el primer paso, porque la IA que opera tras bambalinas debe ser capaz de interpretar las imágenes del sitio para cruzarlas con los planos, dibujos, cronogramas y otra información almacenada en sistemas distintos.

En esta entrevista, Jeevan Kalanithi, CEO de OpenSpace, explica por qué la automatización en construcción está ganando impulso, por qué “lo suficientemente bueno” puede ser suficiente sin necesitar perfección inmediata, y cómo la monitorización automática podría ayudar a suavizar el impacto de la persistente escasez de mano de obra.

• La construcción ha sido tradicionalmente una de las industrias menos automatizadas. ¿Por qué está empezando a cambiar ahora?

Creo que la idea de que la construcción es lenta para adoptar tecnología es una concepción errónea. Los constructores adoptan herramientas que realmente facilitan su trabajo; simplemente estaban esperando tecnologías que entendieran cómo trabajan realmente.

La construcción es fundamentalmente diferente de industrias como la fabricación. Cada proyecto es único. Los sitios cambian a diario. Los equipos trabajan en entornos que evolucionan constantemente, con docenas de oficios operando simultáneamente. Ese es un entorno mucho más difícil de automatizar que una fábrica o almacén, donde las condiciones están altamente controladas.

Durante mucho tiempo, la mayor parte del software de construcción se centró en documentos, cronogramas e informes porque eso es lo que las computadoras podían entender. Pero la construcción no es realmente un problema documental: es un problema del mundo físico. La información más importante vive en el propio sitio: lo que se ha construido, lo que ha cambiado, dónde avanza el trabajo y dónde emergen riesgos.

Lo que está cambiando ahora es que la IA está empezando a entender el mundo físico. En lugar de pedir a las personas que documenten manualmente lo que está sucediendo, la IA puede interpretar imágenes y otros datos del mundo real para entender el estado de un proyecto. Eso hace que la robótica y la automatización sean mucho más prácticas, porque se ajustan de manera natural a la forma en que los constructores ya trabajan, en lugar de forzarlos a adoptar procesos completamente nuevos.

• La robótica en la construcción ha sido discutida durante años, pero ha tenido adopción relativamente limitada. ¿Qué factores están contribuyendo al mayor interés en sistemas autónomos o semiautónomos en las obras hoy?

La conversación se ha vuelto mucho más práctica.

Hace diez años, la gente preguntaba si los robots reemplazarían a los trabajadores de la construcción o construirían edificios de forma autónoma. Hoy la pregunta es mucho más simple: ¿cómo pueden los robots ayudar a los constructores experimentados a trabajar de forma más eficiente? Ese es un cambio importante, porque la construcción siempre ha adoptado herramientas que resuelven problemas reales.

Las mayores oportunidades hoy giran en torno a tareas repetitivas y que consumen mucho tiempo, como documentar el progreso, capturar condiciones del sitio o realizar inspecciones rutinarias. Esas actividades son muy valiosas, pero no necesariamente la mejor utilización del tiempo de un superintendente o de un ingeniero de obra.

Pienso en la robótica como la introducción de las clavos neumáticos: no reemplazaron a los carpinteros, sino que les ayudaron a trabajar más rápido y de forma más consistente. La robótica está siguiendo un camino similar. El objetivo no es automatizar la construcción, sino automatizar tareas específicas que permitan a los profesionales capacitados dedicar más tiempo a coordinar el trabajo, resolver problemas y tomar decisiones.

Ya estamos viendo esto con las empresas de robótica con las que nos integramos, cada una abordando diferentes aspectos de la autonomía. En lugar de intentar resolver todos los problemas, están demostrando que los robots pueden realizar de forma fiable tareas específicas que aportan valor inmediato en los sitios de trabajo actuales.

• Los data centers y otros proyectos a gran escala se han citado como casos de uso prometedores para la robótica en construcción. ¿Qué características hacen estos entornos más adecuados para tecnologías autónomas?

Los data centers son, de hecho, un gran ejemplo de dónde la robótica y la IA pueden demostrar valor hoy, porque combinan tres características que funcionan bien para sistemas autónomos.

En primer lugar, son entornos relativamente estructurados. Comparados con un proyecto de renovación o un hospital ocupado, los data centers suelen tener plantas de piso grandes, diseños repetibles y menos obstáculos inesperados, lo que facilita la navegación de los robots.

En segundo lugar, son increíblemente sensibles a los cronogramas. La infraestructura de IA está expandiéndose a un ritmo sin precedentes, y cada día importa. Los dueños y contratistas necesitan visibilidad continua del progreso porque cientos de actividades ocurren simultáneamente.

Finalmente, son altamente repetitivos. Los mismos sistemas y secuencias de construcción se repiten, lo que permite que la robótica opere de manera más consistente y facilita medir el progreso a lo largo del tiempo.

La captura autónoma de datos es particularmente valiosa en estos entornos porque crea un registro visual consistente sin interrumpir el trabajo durante el día. Eso ofrece a los equipos de proyecto información objetiva sobre lo que realmente está sucediendo en el sitio, ayudándolos a identificar problemas antes, coordinar con mayor eficacia y mantener a las partes interesadas alineadas.

• Los sitios de construcción son entornos muy dinámicos. ¿Cuáles son algunos de los mayores desafíos técnicos y operativos que enfrentan los robots cuando se despliegan en proyectos activos?

Los sitios de construcción probablemente sean uno de los entornos más difíciles para que opere un sistema autónomo.

A diferencia de un almacén, donde todo está diseñado para ser predecible, los sitios de construcción cambian constantemente. Los materiales se mueven. El equipo se reubica. Aparecen muros. Puertas que estaban abiertas ayer pueden estar cerradas hoy. También hay decenas o incluso cientos de personas trabajando junto a sistemas autónomos, por lo que la seguridad debe seguir siendo la prioridad más alta.

También existen desafíos prácticos. La conectividad no siempre es fiable. El GPS a menudo no funciona en interiores. La navegación debe contemplar diseños cambiantes y obstáculos temporales que no existen en entornos más controlados.

Por eso creo que seguiremos viendo autonomía supervisada durante bastante tiempo. Los humanos siguen siendo notablemente buenos para adaptarse a situaciones inesperadas, y la construcción ofrece muchas de ellas.

Una lección que hemos aprendido es que “lo suficientemente bueno” a menudo supera a lo “técnicamente perfecto”. Los constructores no necesitan el robot más sofisticado; necesitan uno que sea lo suficientemente fiable para acudir cada día, operar con seguridad y de forma constante, y encajar en la forma en que los proyectos ya se gestionan.

• Con el crecimiento de la adopción de la robótica, ¿qué papel juega la inteligencia visual para ayudar a las máquinas a entender y navegar por el mundo físico?

Ya sea que la imagen provenga de una persona con una cámara 360°, de un robot, de un dron u otro sistema autónomo, la recopilación de datos es solo el primer paso. El verdadero reto es entender qué significan esos datos.

La IA se ha vuelto extraordinariamente buena entendiendo el lenguaje, pero si va a operar en la economía real, también necesita entender lugares físicos, activos físicos y trabajo físico.

La construcción siempre ha tenido información sobre lo que se suponía que debía ocurrir: planos, modelos BIM, cronogramas y especificaciones. Lo que históricamente ha sido mucho más difícil es entender qué pasó realmente en el campo.

Ahí es donde entra la inteligencia visual. La IA puede comparar lo construido con lo que se esperaba construir, medir el progreso con el tiempo, identificar posibles problemas y sacar a la superficie ideas que ayuden a los equipos de proyecto a tomar mejores decisiones.

Nuestra filosofía es simple: no nos preocupa realmente cómo se recoge la data. Ya sea desde un teléfono, una cámara 360°, un dron, un escáner láser o una plataforma robótica de uno de nuestros socios de robótica, nuestro objetivo es reunir esa información en una comprensión común del sitio de trabajo.

Hoy, nuestros clientes han capturado imágenes en más de 70 mil millones de pies cuadrados de construcción. Esa escala crea una oportunidad no solo para ayudar a los constructores hoy, sino también para entrenar y validar la próxima generación de sistemas de IA que necesiten entender el mundo físico.

• A menudo surge la preocupación de que la robótica podría reemplazar a los trabajadores. ¿Cómo están pensando los constructores la relación entre la automatización y la fuerza laboral de construcción existente?

Creo que es una preocupación muy razonable, pero no refleja lo que vemos en los lugares de trabajo.

Los constructores con los que trabajamos no buscan reemplazar a las personas experimentadas. Si acaso, buscan ayudar a esas personas a hacer más.

La construcción ha enfrentado prolongadas carencias de mano de obra durante décadas, y la demanda continúa superando a la disponibilidad de trabajadores cualificados. No hay suficientes personas con formación para atender el volumen de trabajo que se necesita. Eso es especialmente cierto a medida que construimos más data centers, instalaciones de manufactura e infraestructura.

La robótica y la IA ayudan a abordar ese desafío asumiendo tareas repetitivas como la documentación rutinaria, la captura de progreso o las inspecciones, permitiendo que profesionales experimentados dediquen más tiempo a coordinar el trabajo, resolver problemas y aplicar su experiencia.

La mejor tecnología no reemplaza a las personas: las amplifica. Así es como la construcción seguirá adoptando herramientas impulsadas por IA y robótica. Se convierten en otro conjunto de herramientas que ayudan a los equipos experimentados a tomar mejores decisiones, trabajar con más eficiencia y hacer más con los recursos que ya tienen.

• El concepto de robótica con intervención humana está ganando atención en distintas industrias. ¿Cómo se aplica ese enfoque en entornos de construcción?

Creo que la robótica con intervención humana será el modelo dominante para la construcción durante bastante tiempo.

La construcción es simplemente demasiado dinámica para esperar sistemas completamente autónomos capaces de manejar cada situación. Suceden cosas inesperadas cada día: un pasillo bloqueado, una pieza de equipo reubicada, una nueva barrera de seguridad, un área que de pronto es inaccesible. Los humanos siguen siendo excepcionalmente buenos reconociendo esas situaciones y adaptándose en tiempo real.

Lo que vemos hoy es una división muy práctica de responsabilidades. Los robots manejan tareas rutinarias y repetitivas de forma constante, mientras las personas proporcionan juicio, contexto e intervención siempre que sea necesario.

Algunos de nuestros socios de robótica ya operan de esta manera, donde los sistemas autónomos realizan la mayor parte del trabajo pero permanecen supervisados a distancia para que una persona pueda intervenir si algo inesperado ocurre.

No creo que sea un compromiso. Creo que es el modelo correcto. El objetivo no es la autonomía por sí misma. El objetivo es proporcionar a los equipos de proyecto mejor información manteniendo la flexibilidad y el juicio que requieren los proyectos de construcción complejos.

• Algunas empresas están experimentando con la captura de datos autónoma fuera de horas, como durante la noche o antes de que lleguen las cuadrillas. ¿Qué lecciones están emergiendo de esos despliegues tempranos?

La lección más importante ha sido la consistencia.

Uno de los mayores retos de la documentación manual es que depende de que las personas tengan tiempo para hacerlo. En un proyecto ocupado, es fácil que la documentación pase a un segundo plano porque todos están centrados en resolver problemas inmediatos.

La captura autónoma lo cambia. Los robots pueden documentar el sitio en un horario predecible, a menudo por la noche o antes de que las cuadrillas lleguen, creando un registro visual constante cada día sin interrumpir las actividades de construcción.

Esa consistencia ofrece a los equipos una comprensión mucho más clara de cómo avanza un proyecto a lo largo del tiempo. También hace que la documentación sea mucho más resistente: si un superintendente está ocupado o un ingeniero de proyecto no está disponible ese día, el registro visual no se detiene. Todos siguen teniendo acceso a información actual sobre lo que está sucediendo en el sitio.

Capturar un registro visual siempre ha sido una consecuencia natural de recorrer una obra con una cámara 360°. Es también una tarea muy natural para delegar en un robot. Eso permite que las personas experimentadas dediquen más tiempo a interpretar la información y a tomar decisiones en lugar de simplemente recolectar datos.

• Hacia el futuro, ¿qué indicadores debe vigilar la industria para entender si la robótica en construcción está pasando de pilotos a adopción más amplia?

No creo que el mayor indicador sea el número de robots en los sitios de trabajo. Será si los contratistas siguen usándolos una vez que termine el piloto.

La construcción es una industria muy práctica. Los constructores no adoptan tecnología porque es emocionante; la adoptan porque ahorra tiempo, reduce riesgos o ayuda a que los proyectos funcionen más suavemente. Si una tecnología genera más trabajo del que elimina, no perdurará.

También sabremos que la industria ha alcanzado la próxima etapa cuando la robótica se convierta en simplemente otra forma de recopilar información del proyecto. Los constructores no deberían tener que pensar si los datos provienen de una persona, de un robot, de un dron u otro sistema autónomo. Simplemente deberían tener acceso a una comprensión precisa y actualizada de lo que está sucediendo en sus proyectos.

En última instancia, creo que la historia es más grande que la robótica. La economía real no funciona solo con documentos. Funciona con lugares físicos, activos físicos y trabajo físico. Si la IA quiere generar valor allí, debe entender la realidad, no solo el lenguaje.

Por eso decimos que los agentes necesitan ojos. Cuando la IA puede ver, entender y razonar de forma fiable sobre lo que sucede en el mundo físico, la robótica se convierte en mucho más que automatización. Se convierte en una nueva forma de que las personas interactúen con el entorno construido y tomen mejores decisiones. Creo que esa es la transición sobre la que estaremos hablando durante la próxima década.

from Latest from TechRadar https://ift.tt/cJE9bax
via IFTTT IA

DataImpulse emerge como un jugador relativamente nuevo en la industria de proxies, ganándose una porción del mercado gracias a un servicio competitivo en precio y alto rendimiento. Con más de 90 millones de IPs residenciales obtenidas de forma ética y desplegadas en 195 ubicaciones, además de opciones de proxies móviles y de centros de datos, los usuarios acceden a una red global rápida y fiable.

La empresa se especializa en crear servicios de proxy a medida para negocios, aunque también los usuarios individuales que buscan recolectar datos desde cualquier lugar encontrarán una oferta adecuada. Uno de sus mayores atractivos es un modelo de precios pay-as-you-go altamente competitivo, con tráfico que nunca expira. DataImpulse incluye en todos los planes una focalización geográfica a nivel de país de forma gratuita (con opciones de targeting más granular disponibles) y soporte completo para HTTP, HTTPS y los protocolos SOCKS5 a través de todas sus redes de proxies.

Planes y Precios
DataImpulse opera con un modelo de pago por uso transparente, donde el tráfico comprado es tuyo hasta que tus scrapers consuman los bytes, ya sea en días o meses. El precio se estructura según el tipo de proxy y la cantidad de tráfico. Por ejemplo, los proxies residenciales comienzan en $1 por GB para un bloque inicial de 5 GB y 50 GB como máximo en la misma relación dólar-por-gigabyte. Si elevas a la tier Advanced, el coste baja a $0.80 por GB para un paquete de 800 GB, con precios corporativos que pueden escalar aún más para despliegues en terabytes (con un mínimo de $4,000 para la opción).

Los proxies de centro de datos inician en $0.50 por GB para usuarios nuevos, reduciéndose a $0.45 por GB al ampliar a un pool de volumen de $450. También existe un precio personalizado por gigabyte. Al activar proxies móviles, el precio parte de $2 por GB para la opción inicial de 5 GB, bajando a $1.6 por GB para operaciones al por mayor, con precios a medida para proyectos de gran envergadura. Por último, los proxies residenciales premium cuestan $5 por GB en planes de 1 GB y 10 GB, con opción personalizada desde $20,000 de inicio.

Es relevante destacar que DataImpulse no favorece un plan sobre otro; todos incluyen: focalización por país a nivel geográfico, sesiones rotativas y fijas, soporte para HTTP(S) y SOCKS5, acceso completo a la API programática, soporte 24/7 y hilos concurrentes sin penalizaciones por sobreuso ni cargos de conexión ocultos. El resultado es una factura que refleja con precisión la ejecución real de tu código.

Características
Si decides probar DataImpulse, el primer paso es registrarte, ya sea de forma tradicional o mediante Google, GitHub o LinkedIn. Se ofrece un panel de control clásico con una barra lateral izquierda para acceder a las herramientas principales. El diagrama de uso y los detalles del plan se convierten en tu punto de partida. Tras seleccionar un plan, puedes configurar el proxy ajustando las opciones de targeting hasta el ASN (Autonomous System Number) y el intervalo de rotación de IP, pudiendo guardar la configuración como un perfil dedicado.

Es necesario elegir entre un proxy sticky o rotatorio, así como el protocolo a usar. Los proxies sticky se asocian a un puerto específico por un periodo concreto, con intervalos de rotación que van de 1 a 120 minutos. Los proxies rotatorios cambian la IP automáticamente con cada nueva solicitud. También puedes recargar tu balance añadiendo GBs para ampliar el tráfico cuando lo necesites.

Desglose de la oferta de DataImpulse:
– Proxies residenciales: pool de más de 90 millones de IPs en 195 países, con foco en suministro ético para mantener una reputación alta y menor probabilidad de ser bloqueados por CDN. Esto facilita que los servidores objetivo perciban la conexión como de un usuario real.
– Proxies residenciales premium: IPs ultrarrápidas y con latencia reducida, con mejoras en la fiabilidad y seguridad, además de un gestor de cuenta dedicado para optimizar esfuerzos.
– Proxies de centro de datos: 20 millones de IPs en 195+ países, diseñados para velocidad y alto volumen de solicitudes, con posibilidad de activar una IP durante hasta 30 minutos.
– Proxies móviles: pool de más de 16 millones de IPs reales de redes 3G/4G/5G y LTE en 195 ubicaciones, útiles para superar sistemas anti-bot; permite mantener una IP activa hasta 2 horas.
– Tráfico que nunca expira: la mayor propuesta única de venta frente a competidores es que el tráfico adquirido no expira; permanece activo hasta que el scrapper consuma bytes.
– Scraping: enfoque orientado a desarrolladores. No hay API de scraping integrada; en cambio se ofrecen herramientas para gestionar la provisión de proxies a través de una Gateway API y plantillas de integración para frameworks populares y ejemplos de código en Python, Node.js, PHP, C#, Go, Ruby y cURL.
– Geo-targeting y controles de sesión avanzados: targeting por país incluido en el precio base, con filtros de estado, ciudad, código postal y ASN. La rotación de sesiones genera IPs aleatorias por cada solicitud, y para HTTP/HTTPS se usa gw.dataimpulse.com en puerto 823, mientras que SOCKS5 utiliza el puerto 824. Se pueden vincular sesiones a un rango de puertos para mantener una IP constante durante hasta 120 minutos.

Facilidad de uso
El panel está orientado a una puesta en marcha rápida, con una página de control de un solo render y accesos directos para lanzar configuraciones. Algunas áreas podrían optimizarse en cuanto a la ubicación de recursos y documentación, pero la plataforma ofrece vistas claras de las métricas de tráfico en tiempo real y un registro de actividad de sesión con opción de exportación a CSV. También es posible generar parámetros de conexión, copiar credenciales maestro y gestionar direcciones IP en listas blancas para mejorar el rendimiento.

Soporte al cliente
DataImpulse destaca por su soporte 24/7 con atención humana y respuesta en minutos a través de un chat activo en la esquina inferior derecha. También hay una sección de documentación y una página de tutoriales con guías paso a paso, diagramas y código de ejemplo para integrar proxies con diversos entornos y herramientas. Para clientes que operan a gran escala, se ofrece soporte con gestores de cuenta dedicados y características personalizadas según requerimientos de datos.

Competencia y veredicto final
En un mercado con proveedores como Bright Data, Oxylabs y Decodo, DataImpulse se distingue por su modelo de tráfico que nunca expira y su precio base de proxy residencial de $1/GB. Aunque es fuerte en rendimiento y costo, carece de herramientas de software preconstruidas o plantillas de targeting por defecto, lo que implica un mayor esfuerzo de desarrollo por parte del equipo del cliente. En resumen, DataImpulse es una opción atractiva para equipos de desarrollo, startups y pequeñas empresas que buscan reducir costos de recopilación de datos sin renunciar a proxies confiables y éticos. Si tienes el know-how técnico suficiente y buscas una solución de bajo costo para scraping personalizado, resultará muy adecuada. Si, en cambio, necesitas una solución gestionada y lista para usar, podría ser menos atractiva.

Para ampliar tu visión, consulta guías sobre las mejores soluciones de proxy y compara diferentes proveedores para tomar una decisión informada.

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

La inteligencia artificial ha acelerado una transformación en la infraestructura tecnológica que va más allá de las unidades de procesamiento y las redes: el almacenamiento. A medida que los modelos de IA crecen y las organizaciones retienen volúmenes cada vez mayores de datos para entrenamiento, inferencia y recuperación, el almacenamiento deja de ser un simple depósito para convertirse en una parte activa de la infraestructura de IA, encargada de alimentar el cómputo de forma eficiente, apoyar conjuntos de datos masivos y equilibrar rendimiento con costo. Este cambio ha redefinido, en gran medida, cómo se concibe el almacenamiento primario en los entornos en la nube modernos.

Históricamente, el almacenamiento primario se entendía como sistemas de bloques o archivos estrechamente acoplados, ubicados cerca del cómputo. En los principales proveedores de nube, sin embargo, se ha adoptado un enfoque diferente: el almacenamiento de objetos actúa como el sistema de registro persistente, mientras que el software coordina cómo se almacena, protege y accede a los datos a través de infraestructuras distribuidas. Esta separación entre gestión y ubicación física de los datos ha permitido escalar mucho más allá de las limitaciones de las arquitecturas tradicionales.

El movimiento hacia la computación en la nube no solo aumentó la cantidad de almacenamiento requerida, también cambió la forma en que debe funcionar. Los enfoques tradicionales, basados en sistemas de archivos y acceso directo desde las aplicaciones, resultaban difíciles de escalar en entornos hiperescalados donde millones o miles de millones de archivos deben coordinarse de forma coherente. Los proveedores de nube respondieron rediseñando el almacenamiento en torno a arquitecturas definidas por software, separando la gestión de datos de su ubicación física y orquestando flotas enteras de almacenamiento para una escalabilidad sin precedentes.

La IA ha acelerado esta transición: entrenar modelos grandes, servir inferencia y gestionar conjuntos de datos en constante crecimiento demandan una infraestructura compartida y eficiente. Aunque cada plataforma de hiperescalado evoluciona a su manera, existen cuatro principios recurrentes que se han vuelto fundamentales para soportar IA a gran escala:

1) El almacenamiento de objetos está diseñado alrededor del movimiento secuencial de datos. En lugar de modificar archivos en el lugar, las versiones se registran como objetos separados, favoreciendo flujos de datos grandes y secuenciales que aumentan la eficiencia en conjuntos de datos cada vez mayores. Esto gana especial relevancia con los procesos de checkpoints y movimiento continuo de datos de IA.

2) Los metadatos se han convertido en un desafío de software. Con miles de millones o trillones de objetos, rastrear su ubicación es tan importante como almacenar los datos. Las plataformas modernas separan estas responsabilidades, dejando la gestión de ubicaciones y espacios de nombres a capas de software mientras el media de almacenamiento se centra en capacidad escalable.

3) La resiliencia proviene de la arquitectura, no de dispositivos individuales. En entornos distribuidos, las fallas ocurren tarde o temprano. Técnicas como el codificado de borrado permiten recuperar datos de forma eficiente, manteniendo la disponibilidad y reduciendo la sobrecarga de la replicación tradicional.

4) El staging inteligente de datos protege el rendimiento. Los workloads de IA generan picos y ráfagas de tráfico; por ello, se utiliza memoria y flash como capas de staging para absorber la carga antes de escribir a almacenamiento de gran capacidad, manteniendo aplicaciones sensibles con respuesta ágil y optimizando el uso de medios más costosos.

En conjunto, estos principios apuntan a una actualización de la capa de almacenamiento: ya no es suficiente ser rápido o cercano al cómputo. Es crucial que el software orqueste el movimiento de datos, coordine metadatos y equilibre cargas en sistemas distribuidos. El almacenamiento primario deja de definirse por la proximidad al cómputo o por las características físicas de los dispositivos; pasa a ser un motor de software gestionado que habilita la escalabilidad, la resiliencia y la eficiencia económica a gran escala.

Para las organizaciones que invierten en IA, las decisiones de almacenamiento deben considerar no solo capacidad o latencia, sino también cómo interactúan el software, el movimiento de datos y el medio de almacenamiento. No serán necesariamente las que posean la mayor cantidad de hardware, sino aquellas que diseñen arquitecturas capaces de alimentar cargas de IA de forma eficiente mientras mantienen la infraestructura escalable, resiliente y sostenible.

En los entornos modernos de la nube, el almacenamiento primario ya no es simplemente el lugar donde reside la información. Se ha convertido en una de las tecnologías que determinan cuán bien puede escalar la IA. Este análisis forma parte de TechRadar Pro Perspectives, un canal para presentar ideas y enfoques de líderes y expertos de la industria.

Notas finales: las ideas expresadas reflejan la visión del autor y no necesariamente la posición de TechRadar Pro o Future plc. Si estás interesado en contribuir, puedes explorar cómo presentar tu historia a TechRadar Pro.

from Latest from TechRadar https://ift.tt/v0IrtQO
via IFTTT IA

El resurgimiento de Silent Hill, tras más de una década en la oscuridad, ha sido sorprendente y cargado de matices. Tras un inicio tibio con Ascension y The Short Message, el remake de Silent Hill 2 de Bloober Team y las propuestas japonesas de Silent Hill f, la serie parece encaminarse hacia un nuevo horizonte con Silent Hill: Townfall. En este avance, Jon McKellan, director de Screen Burn, y Motoi Okamoto, productor de la serie en Konami, ofrecen una lectura clara: Townfall explora tecnología retro, una ambientación escocesa y una autenticidad cultural que complementan la esencia del universo de Silent Hill.

Going retro

Townfall sigue a Simon Ordell en la ficticia St. Amelia, Escocia. Al despertar, el mundo aparece cubierto por una densa niebla; la principal mecánica narrativa es la radio CRTV que lleva el juego y la historia de la mano. El dispositivo permite ver grabaciones estáticas de Zoe Ellis, la presunta conexión de Simon, y guía al jugador hacia el siguiente punto a explorar. Curiosamente, el radiotransmisor puede levantar objetos para ver a través de paredes y localizar monstruos, integrando de forma elegante un giro al tropo del radar. En lugar de dotar al personaje de un don perceptivo propio, la radio humaniza a Simon en un mundo implacable de monstruos.

La era en la que transcurre Townfall, presumiblemente 1996, es crucial para el horror: la intersección entre lo analógico y lo digital, con la llegada de Internet y el dial-up, siembra ansiedades sobre una conectividad que aún no es plena. McKellan destaca que “el mundo estaba en una cusp tecnológica en los 90, cuando Internet empezaba a ser real, pero todavía no tenías Google Maps en el bolsillo”. Esta coyuntura, sumada al uso de tecnología analógica, genera una sensación de incertidumbre que el juego aprovecha para fortalecer el horror.

La temática de la medicina y la atención sanitaria también recorre el paisaje de St. Amelia: pancartas, hospital local y la sensación de una institución que protege, o al menos intenta hacerlo. En Townfall, Zoe es enfermera y Simon porta una bolsa de intravenosa; la improvisación de objetos para crear consumibles recuerda a Resident Evil y añade una capa de supervivencia artesanal al relato. Aunque la jugabilidad mejora respecto a Silent Hill f—con un combate más fluido y satisfactorio al romper tablas; la presencia del pistolón, pese a su alto ruido, funciona como último recurso y su impacto son considerablemente gratifying.

McKellen coloca la crítica social en el centro de la historia, una continuidad de la ambición de Silent Hill f de explorar expectativas de género. “Hay hilos que se cruzan y te llevan a lugares inesperados”, comenta. El objetivo es que el jugador intente entender, y luego posiblemente replantearse lo que ha visto. ¿Por qué Simon tiene una cannula en la mano y qué significan sus muertes? No son meros trucos de gameplay: tienen relevancia narrativa. “Todo en el juego tiene un porqué; nada está ahí para rellenar”.

Crafting de Silent Hills diferentes

A lo largo de la historia de Silent Hill, los escenarios se han centrado en la propia ciudad. Sin embargo, Konami ha ido expandiendo el concepto a otros entornos. Silent Hill: The Short Message sitúa el fenómeno Silent Hill fuera de la ciudad, en Kettenstadt, Alemania; Silent Hill f traslada la experiencia a Ebisugaoka, Japón, en los años 60. Okamoto apunta a una estrategia de branding que introduce experiencias psicológicas afines a Silent Hill fuera de sus límites originales: “mostrar experiencias y narrativas psicológicas similares que ocurren fuera de Silent Hill”.

Screen Burn, con sede en Glasgow, reúne desde veteranos hasta nuevos talentos del estudio. Una lección clave sobre la DNA de Silent Hill es la naturaleza contenida de sus historias: sugerentes, abiertas a interpretación y, aun así, satisfactorias al cierre. McKellan lo resume así: “Puedes salir de un juego de Silent Hill con la sensación de saber algo, pero ya no necesitas saberlo todo ni discutirlo para entenderlo”.

Townfall también marca el mayor proyecto de Screen Burn hasta la fecha, con una libertad notable para explorar la ciudad y una expansión de la narrativa, el diseño de puzzles y el detalle, gracias al apoyo de Konami y Annapurna. “Si ya has jugado a nuestros títulos anteriores, encontrarás muchas similitudes, pero ahora con un alcance mayor”, afirma McKellan.

El futuro de Silent Hill

Mirando hacia adelante, el remake de Silent Hill de Bloober Team está previsto para salir tras Townfall. Okamoto reconoce la preocupación de que la saga se vuelva anualizada y, por ello, acoge enfoques distintos de estudios externos. The Short Message exploró redes sociales; Silent Hill f llevó la pieza al Japón; Townfall sitúa la acción en Escocia. En un entorno de crecientes costes de desarrollo, es sensato que IPs notables se expandan con la participación de estudios externos: ofrece más lanzamientos y puede revitalizar el interés. Bloober Team y NeoBards son prueba de ello.

Okamoto lo enmarca como una cuestión de autenticidad cultural y de peso de los proyectos: “El equipo de Metal Gear, por ejemplo, tiene su propia filosofía; nuestra idea es crear un universo más amplio, diverso y culturalmente variado para Silent Hill, y colaborar con terceros funciona mejor para ello”.

Silent Hill: Townfall se lanza el 24 de septiembre para PC y PlayStation 5. Su apuesta por lo analógico, la atmósfera de Scotland y la narrativa ambiental promete seguir expandiendo el mito de Silent Hill sin perder la esencia de lo que lo hizo atemporal.

from Latest from TechRadar https://ift.tt/JeX5p0a
via IFTTT IA