Descubrir por d贸nde empezar puede ser dif铆cil para un nuevo desarrollador, independientemente de la plataforma, pero una buena hoja de ruta puede hacerlo m谩s f谩cil.
En este post del blog, te daremos una visi贸n general de las diferentes t茅cnicas de conexi贸n a tierra que puedes utilizar para personalizar las plantillas de avisos sin l铆mites.
Revisar objetos, campos, automatizaciones e incluso informes creados hace tiempo para optimizarlos puede llevar mucho tiempo, pero es una tarea importante con ventajas significativas. Construido con la facilidad de uso en mente tanto para los reci茅n llegados como para los profesionales de Salesforce con mucha experiencia, Org Check es una herramienta gratuita que seguramente mejorar谩 la forma en que […]
Los profesionales de Salesforce pueden utilizar Salesforce Org Check
The post Salesforce Org Check: Free Technical Debt Analysis appeared first on Salesforce Ben.
El an谩lisis de la deuda t茅cnica de Salesforce es gratuito
La IA y la IA generativa est谩n ayudando a crear una variedad de nuevas carreras, desde ingeniero de prontitud a formador de IA. He aqu铆 12 funciones nuevas y futuras, y consejos para prepararse para ellas.
Descubra los t茅rminos de IA generativa que todo profesional de las ventas debe conocer. Desbloquea el poder de la IA para impulsar tu rendimiento de ventas. Lee m谩s ahora.
The post 5 t茅rminos generativos de IA que todo profesional de ventas debe conocer appeared first on Salesforce.
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.
No importa si eres un experimentado ingeniero de prompt o si est谩s empezando con la inteligencia artificial generativa, sigue estos consejos para sacar el m谩ximo partido a esta nueva plataforma tecnol贸gica.
Un consultor de Salesforce no es s贸lo un experto t茅cnico que ayuda a crear flujos y ejecutar informes. Vamos m谩s all谩, y nos corresponde adoptar la posici贸n de asesor empresarial de confianza y socio estrat茅gico. Nuestra experiencia como consultor debe ir m谩s all谩 de conocer Salesforce al dedillo. Tambi茅n debemos ser conscientes de […]
The post Los 5 sombreros de un consultor de Salesforce appeared first on Salesforce Ben.
Los 5 sombreros de un consultor de Salesforce appeared first on Salesforce Ben
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.
Un sistema de gesti贸n de pedidos es el cerebro detr谩s de las escenas en el viaje de pedidos y cumplimiento. Puede hacer o deshacer la relaci贸n con sus clientes
The post 驴Qu茅 es la gesti贸n de pedidos y por qu茅 deber铆a importarle? appeared first on Salesforce.
El sistema de gesti贸n de pedidos es el cerebro entre bastidores de los procesos de pedido y entrega
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
Contribuci贸n equitativa entre Erik Nijkamp y Hiroaki Hayashi.
Paper Code Tweet
Abstract
La familia de modelos CodeGen de Salesforce crece con CodeGen2.5 – 隆un modelo peque帽o, pero poderoso! Mientras que ha habido una tendencia reciente de grandes modelos de lenguaje (LLM) de tama帽o cada vez mayor, mostramos que un modelo peque帽o
Los m茅todos de IA generativa para la generaci贸n de im谩genes tienen una amplia variedad de aplicaciones potenciales en marketing, ventas y comercio electr贸nico. Con estas aplicaciones en mente, el equipo de Salesforce Research ha desarrollado varias t茅cnicas basadas en modelos de difusi贸n de generaci贸n de im谩genes, incluyendo m茅todos para la edici贸n de im谩genes, gu铆a mejorada de clasificadores y m茅todos mejorados de generaci贸n controlada
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
TL;DR: Con CodeChain, un gran modelo de lenguaje (LLM) preentrenado puede resolver problemas de codificaci贸n desafiantes integrando la modularidad en muestras de generaci贸n y auto-mejorarse empleando una cadena de auto-revisiones en subm贸dulos representativos. CodeChain puede lograr resultados de vanguardia tanto con los modelos GPT de OpenAI como con los LLM de c贸digo abierto en pruebas de codificaci贸n exigentes como
Por Vera Vetter, Zeyuan Chen, Ran Xu y Scott Nyberg En nuestra serie de preguntas y respuestas 芦Engineering Energizers禄, examinamos las trayectorias profesionales que han formado a los l铆deres de ingenier铆a de Salesforce. Conozca a Vera Vetter, Directora de gesti贸n de productos de Salesforce AI Research y Co-Directora de producto de Einstein for Flow, un producto de IA revolucionario que est谩 revolucionando la automatizaci贸n del flujo de trabajo de Salesforce. […]
La demanda de analistas de negocio de Salesforce ha crecido a un ritmo elevado. Las organizaciones de Salesforce han evolucionado y se han vuelto m谩s complejas. Como resultado, existe una mayor necesidad de evaluar los cambios deseados y obtener una visi贸n completa de la situaci贸n, para asegurarse de que todo el mundo est谩 de acuerdo. Esta es la raz贸n por la que las organizaciones deben buscar […]
El post 30 Business Analyst Interview Questions & Answers appeared first on Salesforce Ben.
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.
Las implementaciones de Salesforce, tambi茅n conocidas como ‘releases’, son uno de los mayores retos para los administradores, consultores y aquellos que trabajan en otras muchas funciones. A medida que las organizaciones de Salesforce se vuelven cada vez m谩s complejas, los cambios suelen tener muchas partes 芦m贸viles禄 que pueden tener repercusiones de gran alcance en la organizaci贸n de Salesforce. Una vez que est茅 satisfecho con la soluci贸n que ha construido (en un sandbox) […]
The post Lista de comprobaci贸n de la implementaci贸n de Salesforce: De la puesta en marcha a la adopci贸n appeared first on Salesforce Ben.