Frida Ruh

Google y Kaggle van a volver a dar su curso intensivo de 5 días para aprender a usar AI Agents y crear un workflow top! El curso es en Junio! Solo tienen que registrarse para apartar tu lugar Y si, el curso es GRATIS

Lana pidió unos análisis de sangre a través de Oura, la empresa conocida por sus anillos inteligentes. Cuando recibió los resultados, encontró ocho valores fuera de rango: colesterol alto, hemoglobina baja y otros datos que no venían acompañados de una explicación clara. Como muchas personas en esa situación, hizo lo más habitual: buscó en Google, pidió otra prueba directamente y, después, envió los resultados a su médico por el portal del paciente. La respuesta fue pedir cita. Tuvo que esperar dos meses. A nadie debería sorprenderle que la IA tenga tantísimo potencial en este espacio sanitario Su caso resume bien el nuevo mercado que se está abriendo alrededor de los análisis de sangre directos al consumidor. Estas empresas promete algo muy atractivo: acceso rápido, precios claros y más información sobre el propio cuerpo. Y es fácil entender por qué funciona. En sistemas sanitarios donde conseguir una cita es un dolor, estas plataformas ofrecen una alternativa sencilla: pagas, te haces las pruebas y recibes decenas, a veces cientos, de biomarcadores. La IA te ayudará a interpretarlas Pero también cambian una regla básica de la medicina. Antes, era el médico quien decidía qué prueba tenía sentido, interpretaba los resultados y proponía un plan. Más información puede ayudar. Pero también puede generar ansiedad, falsos positivos, falsas seguridades o una cadena de pruebas adicionales que quizá no mejoren la salud. Un colesterol algo elevado, una hemoglobina baja o un marcador ambiguo no significan necesariamente lo mismo para todas las personas. Sin contexto clínico, historial médico y seguimiento, el dato puede ser más confuso que útil. Este mercado crece porque responde a una frustración real con la atención sanitaria tradicional. Pero la cuestión de fondo no es si deberíamos tener acceso a nuestros propios datos de salud.. La cuestión es qué tipo de acompañamiento, responsabilidad y evidencia necesitamos cuando esos datos empiezan a parecer medicina. npr.org/2026/04/14/nx-…

From @Zoom, to @Docusign, to @Tinder. The list keeps growing. The world's trusted platforms are setting the standard for proof of human implementations

Not now honey - GitHub and Claude are both up at the same time

Estoy asi 🤯 con un paper que estima el tamaño de los modelos, no por los resultados del paper, sino por el proceso que usa y las conclusiones y debates que plantea, es espectacular, me deja mil ideas de cositas a probar Los tipos probaron a ciegas su metodologia con modelos abiertos los cuales conocen los tamaños y las estimaciones les dieron con un R2 de 0.91 asi que se puede decir que el planteo que hacen tiene mucho sentido La idea central es distinguir entre el conocimiento de baja entropia del conocimiento de alta entropia de los LLMs, y esto es lo primero giga flasheante, si bien tiene sentido intuitivamente, habia que modelar la idea y para eso usan la complejidad de Kolmogorov La idea: "el conocimiento" que la capital de francia es Paris, es de baja entropia porq se repite ese patron/variantes francia-capital-paris en infinidad de textos del entrenamiento En cambio una secuencia de una proteina no tan comun o por ejemplo un hash a algo especifico (y esto abre mucha tela luego), es un dato que no puede deducirse a partir de otros y poco repetido en el set de entrenamiento, como si fuera totalmente aleatorio, es un "conocimiento de alta entropia" y la unica forma de replicar muchos conocimientos de alta entropia en la inferencia es teniendo mucho espacio para almacenarlos (parametros), asi que bombardearon a los LLMs para que complete datos de este tipo y en funcion de la cantidad de datos de este tipo que "conoce" el LLM, deducen su tamaño Eso muy resumido obviamente, hace 4 horas que estoy con este paper y aun no termino de entender algunas cosas, pero aca vienen algunas perlitas Algo que les llamo la atencion a los tipos es lo extraño que se comportaba gemini 3.1, un outlier total que por sentido comun y contrastando latencia censuras y otras cosas, se dan cuenta que "ese" LLM en concreto estaria usando un "atajo" Y esto es lo primero que me vuela la cabeza, porque intuitivamente es algo que vengo pensando y no entendia como la industria todavia no iba por ese lado, resulta que aparentemente Gemini 3.1 es un hibrido que tiene acceso a una base de datos interna como la de toda la vida, en realidad pareciera mas complejo, como una indexacion parametrica de weights que replican ciertos datos, pero resumamos que es como si en lugar de dedicar muchos params del modelo a aprender "de memoria" estos datos dificiles (datos de alta entropia), los tipos "liberan" al LLM de esas tareas asignando esa funcion a un subsistema que cuando aparecen secuencias con datos tipo hashes y esas cosas recurre a buscar en un indice de ese tipo de datos o sea, en palabras simples.. es como cuando tenias que estudiar para el examen de quimica y te macheteabas esos nombres irreproducibles de cosas medio raras qu no tenian una regla nometecnica simple.. en vez de dedicar tu esfuerzo cognitivo a eso, te lo macheteabas aparte y te enfocabas en estudiar lo que si podias deducir con menos esfuerzo, asi que Gemini 3.1 pareciera estar haciendo esa "trampa" para lograr resultados similares a modelos muchisimo mas grandes con mucho menos computo (y por eso seria tanto mas barato) Escribiria mil cosas mas de esto pero esto es tuiter, tengo que armarme un blog o algo para escribir de estas nerdeadas, en fin, sigan con lo suyo

Una de las notas más lindas que me dio un profe este semestre fue: “Keep moving forward, respect yourself, and enjoy your life!” Muy simple pero también muy profundo :’)

Introducing Cloud Computer for Manus. Your always on machine in the cloud, so anything you build keeps running 24/7, even when your laptop is off. Anyone can build, and anything can run. Available on web and mobile

Y si 100 veces instalo Microsoft Teams por reuniones de trabajo, 101 veces lo desinstalo.

Free accounts for teachers, 50% off for students!

Today, we’re launching the @link wallet for agents. It lets you securely empower agents to spend on your behalf. Your payment credentials are never exposed and you approve every purchase. link.com/agents

"La mayor parte de los ingresos que ha generado OpenAI en los últimos tres años viene de los suscriptores que le pagan $20 dólares mensuales. Esto debiera cambiar: la empresa busca que el número de suscriptores a ChatGPT Go —quienes pagan entre $8 y $5 dólares para tener acceso a la versión con anuncios— crezca 36 veces este año, a 112 millones de clientes" vía @theinformation

It's honestly impressive that GitHub kept the service up at all, given this kind of growth. I predicted this years ago: Free services will become untenable with the advent of human-level bots. Worth exploring micro-payments: Even cents per git push might be enough to reduce spam and make this sustainable. Maybe powered by Bitcoin to keep this open and accessible (as opposed to KYCing users).

@cvander @ChekosWH sobre lo que comentaba en mi tweet la otra vez.

PEAK GITHUB We need something better, agents broke the git ecosystem

Las vacantes están, pero los pipelines de contratación están muy jodidos. Yo he estado aplicando a un par de vacantes y para muchos de esos procesos no hay respuesta de vuelta. He encontrado también que no se actualizan en las plataformas cuando ya se cubrieron o cuando hubo cambios en la descripción del rol.

El mercado del talento en tech tiene un problema ahora mismo. NO HAY suficientes personas al día y/o formadas en IA como necesitan las empresas. Hay una demanda brutal de un perfil específico de SWD que esté actualizado/a en herramientas, procesos, metodología (memoria, contexto, harness, tokens, modelos, multiagentes, etc.) Y NO HAY GENTE SUFICIENTE EN EL MERCADO. Hacen falta champions, evangalizadores en los equipos de miles y miles de empresas que muevan a la gente hacia una nueva forma de trabajar. Todas las empresas que no son AI-native están en este punto.

Hay gente que hace y gente que habla

Me sumo a la advertencia: Sci-Hub ha pirateado más de 85 millones de artículos de investigación y ahora encima han añadido un bot que responde preguntas utilizando artículos completos y recientes. Esto es un escándalo. Dejo el enlace abajo para que sepas cómo evitarlo.

Sorpresa: la IA se alimenta de ideología codificada en sus datos de entrenamiento. Se oyen muy tontos queriendo negarlo.

@elqvixote Eso está buenísimo! Muchas gracias por compartir y por el esfuerzo para generar este tipo de iniciativas ❤️

@FridaRuh Es el objetivo de mi repositorio y no es fácil conseguir datos industriales por temas de confidencialidad de las empresas. Mis datasets están enfocados a procesos metalúrgicos. github.com/elqvixote/meta…

Los estudiantes aprenden Machine Learning con datasets sobre el tamaño de unos estúpidos pétalos y de un dataset inventado del titanic. Supongo que es imposible pedirle a los docentes que vayan un paso adelante y utilicen datasets que aborden situaciones reales, aunque sea con datos sintéticos.