@emedmadafakas2 Se supone que el pibe se va a quedar sentado en clase durante toda el dia?
Por que en caso contrario dependería además de un adulto dedicado a esa tarea, lo cual no correspondería a la mayoría de los casos.
Algunos ejemplos concretos sobre los riesgos que habilita el gemelo digital social, cuando nuestros datos quedan en manos de empresas como Palantir:
1) ¿Te gustaría que el sistema sepa en que gastaste un mes para decidir si darte turno en el hospital público?👇
2) ¿Te gustaría que una empresa extranjera tenga acceso a tus estudios clínicos? Googlea: Palantir+ England.
3)¿Te gustaría que te corten la AUH porque el sistema detectó una transferencia de tu cuenta de mercado libre que superó x monto?
¿Te gustaría que te rechacen la inscripción a la Universidad Pública porque el sistema detectó que tu viejo tiene un auto modelo 2020 a su nombre?
¿Te gustaría que te rechacen un plan habitacional porque el sistema decidió que tu barrio te hace “estadísticamente poco confiable” según registros policiales?
¿Te gustaría que el sistema cruce tus datos de SUBE, tu domicilio y tus antecedentes para calcular si sos “sospechoso habitual” en determinadas zonas, y que eso alcance para detenerte preventivamente?
¿Te gustaría que las fuerzas de seguridad sepan en qué marchas estuviste, con quién y cuántas veces? Que lo utilicen para brindarte una asistencia social o no?
Es terrible, pero incluso no viene solo del estado. Especialmente en este país la violación de privacidad y cruce de datos es prácticamente un hobbie: supermercados que te piden DNI para compras ordinarias, cadenas de negocios que bajo la excusa de descuentos te crean tarjetas donde tenes que registrar datos personales, formularios personales incluso hasta para atender una mascota en una veterinaria.
@marsucanepa@maxifirtman Jamas use una SUBE a mi nombre por ese motivo y era de los que "armaba kilombo". Por supuesto esto es 100 veces peor, pero aquello era un preludio.
@Cypher1984 Codex por lejos.
Claude code inestable por el precio y sobrevaluado. El único tema con los modelos de openai es el front end, en esos casos uso sonnet o algo asi.
Bueno, aplicando protocolos de privacidad diferencial eso se puede lograr. Pero no apostaría por que los vayan a aplicar, los intereses parecen venir por otro lado.
De entrada, esos protocolos no son obligatorios con la normativa actual, la ley es más vieja y bastante pobre para los estándares actuales.
@afterglowflor Los únicos que valen la pena son los primeros 3. Después se degrada mucho. Recuerdo que el 5 y el 6 son bastante malos.
Los que hicieron los hijos no leí ninguno, no se consideran parte de la saga.
Si queres minimizar que alucine, dile a claude que te haga un script que te vaya traduciendo unos pocos parrafos por cada llamada (necesitaras una clave api). Yo probaria con 1000 palabras o algo por el estilo, la chance que alucine es baja. Cuando se le mandan textos largos en una llamada aumentan las chances de que empiece a alucinar. Proba con algunas páginas a ver si esta ok, y sino, baja el tamaño.
Ni se te ocurra mandar textos largos por el chat, hace cualquier cosa.
No hace falta que la clave api sea de claude, podes tener una api gratuita de gemini por ejemplo (o de cualquier llm open source).
@____fedez____ Tampoco pude verla, con mucha fuerza de voluntad llegué a la mitad. Leí el libro y nunca imagine que pudiesen hacer una película infantil, tipo Marvel de él. Me dio vergüenza ajena.
Neural networks can overfit — they memorize the training data rather than learning a general rule, which makes them fail on new inputs. Everyone knows this, and the standard fix is to watch the gap between training accuracy and test accuracy during training.
This paper by @CalcCon and his collaborator focuses on a situation where that standard approach breaks down: you have a trained model's weights, no training history, no test set, and no idea whether the model learned something robust or something brittle.
The authors study a known phenomenon called grokking, where a model first memorizes, then much later suddenly generalizes — and they extend training even further to find a third phase where generalization collapses again while training accuracy stays perfect.
The two failure phases (before generalization, and after it collapses again) look identical from the outside but turn out to have a structural difference detectable directly in the weight matrices, without any data at all.
The detection method comes from random matrix theory: you shuffle each weight matrix element-by-element, build a covariance-type matrix from the shuffled weights, compute its eigenvalue spectrum, fit that spectrum to a known theoretical distribution, and look for eigenvalues that stick out well beyond where they should be.
In a well-trained model these don't appear; in an overfit one they do. The paper then applies this to two large open-weight models from OpenAI and finds the same signatures.
Learn from the paper with an AI tutor: https://t.co/3el0pbtqJ7
PDF: https://t.co/5f4NrkLcWh
@rquiroga777 Evaluar la tendencia de la inflación por la medición de un único mes nunca tuvo sentido, el dato mensual contiene una dosis significativa de ruido estadístico. Sería como creer que sos un genio del truco porque ligaste un ancho de espadas en la primera mano.