En la segunda mesa de la jornada “IA Segura y Eficiente: estrategias para introducir Inteligencia Artificial en la empresa”,, dedicada a los Small Language Models (SLM), se presentó elnuevo informe de DigitalES —anexo a su Libro Blanco de IA Generativa—, en un panel moderadopor Jorge Martos (Indra Group), con las intervenciones de Borja Lizarraga (Accenture),…
PRESENTACIÓN DEL INFORME “INTELIGENCIA ARTIFICIAL Y CIBERSEGURIDAD:RECOMENDACIONES PARA UNA IMPLEMENTACIÓN SEGURA EN LAS EMPRESAS” Este informe ha sido presentado durante la jornada “IA Segura y Eficiente: estrategias para introducir Inteligencia Artificial en la empresa”, organizada hoy por DigitalES y CEOE, en la mesa de ciberseguridad, moderada por Blanca Bardin (PwC). El debate contó con las…
Smart Answer emplea las redes neuronales convolucionales (CNNs) en dos componentes técnicos críticos de su arquitectura: el análisis de patrones de tráfico para la detección temprana de llamadas no deseadas y el procesamiento de audio dentro del sistema de transcripción. ¿Qué son las redes neuronales convolucionales? Una red neuronal convolucional (CNN), también conocida como ConvNet,…
Con la fase de validación final llegando a su fin, el proyecto MLSIP ha demostrado ser un éxito, cumpliendo sus objetivos de crear un sistema de enrutamiento inteligente funcional y eficaz. Sin embargo, como todo proyecto de investigación e innovación, esta fase también ha servido para identificar limitaciones y trazar una clara hoja de ruta…
Mientras que Random Forest representa un enfoque clásico y robusto, el proyecto MLSIP también ha explorado la vanguardia del Machine Learning con la implementación de FT-Transformer (Feature Tokenizer + Transformer). Este modelo, basado en la misma arquitectura Transformer que ha revolucionado el procesamiento del lenguaje natural (impulsando modelos como ChatGPT), ha sido adaptado para trabajar…
Tras meses de diseño y desarrollo, el proyecto MLSIP ha alcanzado un hito clave: la validación comparativa de los modelos de Machine Learning. Tras un exhaustivo benchmark para evaluar qué algoritmo ofrece las mejores prestaciones para la tarea de optimización de rutas SIP, y los resultados han sido reveladores. El análisis se centró en comparar…
Dentro del arsenal de técnicas de Machine Learning, el proyecto MLSIP ha seleccionado Random Forest como uno de sus algoritmos principales para la optimización del enrutamiento SIP. Esta elección no es casual: Random Forest es conocido por su robustez, eficacia y, muy importante, su interpretabilidad, ofreciendo un equilibrio perfecto entre rendimiento y simplicidad. ¿Cómo funciona…
Las plataformas de Comunicaciones Unificadas (UC) son hoy el centro de la colaboración empresarial. Integran voz, vídeo, mensajería y compartición de pantalla en una única solución, permitiendo a los equipos trabajar de forma cohesionada sin importar su ubicación. Quobis, con su Quobis Communication Platform, es un actor clave en este mercado, y el proyecto MLSIP…
Para que el sistema MLSIP pueda tomar decisiones inteligentes, primero debe aprender. El campo del Machine Learning ofrece diversas técnicas, pero para el objetivo de predecir la calidad de una ruta SIP, el equipo de Quobis ha seleccionado el Aprendizaje Supervisado como el enfoque principal. Aprendizaje supervisado pera entrenar modelos de IA El aprendizaje supervisado…
En los servicios de emergencia, cada segundo cuenta. La capacidad de establecer una comunicaciones críticas fiables y claras puede marcar la diferencia en situaciones críticas. Los sistemas de comunicaciones de emergencia, que integran voz, datos y ubicación, dependen cada vez más del protocolo SIP, y es aquí donde el proyecto MLSIP puede aportar un valor…