Familia de la AI Stars League, ha llegado el momento de dar un nuevo paso. Durante los próximos 2 días cerraremos esta comunidad en Skool, y queremos explicaros el porqué con total transparencia: ⚠️ ¿Por qué cerramos Skool? 1. 💸 Mantener esta plataforma activa sin costes para jugadores, colaboradores, participantes y fans es insostenible. 2. 🧱 Estamos limitados en interacción: no podemos usar voz ni video, ni tener una comunicación fluida y natural. 3. 🚧 Las funcionalidades que necesitamos para el crecimiento de la liga no pueden implementarse aquí. 🎉 ¿Qué haremos ahora? Nos movemos a una nueva Comunidad en Discord, donde todo cobra vida: 🗣️ Podréis hablar en tiempo real entre vosotros 🎙️ Se están creando salas exclusivas para eventos, entrenamientos y estrategias 📡 Los directos de Kick se integrarán directamente con Discord 🧠 Y muchas más novedades y mejoras que iremos revelando... 🧭 Nuevos canales oficiales de la Liga AI Stars: 1. 🌐 DISCORD (Comunidad principal): 🔗 https://discord.gg/tXUwQpFJ 1. 📲 TELEGRAM (Anuncios y novedades diarias): 🔗 https://t.me/aistarsleague ⚠️ La comunidad de WhatsApp seguirá activa solo para jugadores, entrenadores y presidentes, con el fin de mantener la comunicación operativa en el día a día de la competición. 🙏 Sentimos las molestias que esto pueda causar, pero estamos convencidos de que este cambio es necesario para seguir creciendo, mejorando y dejando legado juntos. Nos vemos en Discord, el nuevo campo de batalla digital de la Liga.⚔️ ¡Porque no somos una comunidad… SOMOS UN MOVIMIENTO!

Sección Noticias Mi socio José María Salido que está muy en contacto con las industrias, lleva tiempo diciéndome que es el mejor nicho para ecosistemas como el nuestro de somos tuIA. Hoy leo como los LLMs se están convirtiendo en el motor de la fabricación inteligente, el mantenimiento predictivo y la toma de decisiones basadas en datos. El estudio de Nature (8 may 2025) subraya este avance y sus puntos críticos. Puntos críticos: 1. Conectar dominio + datos + modelo. Un LLM entrenado sin el know-how del piso de planta produce insights genéricos; uno finamente ajustado con manuales de máquina, bitácoras de operador y métricas OT genera recomendaciones accionables y seguras. 2. Automatizar la retroalimentación en tiempo real. Integrar SCADA, IoT y ERP en un loop con el modelo permite corregir desviaciones antes de que se conviertan en paros costosos. 3. Diseñar copilotos industriales, no chatbots genéricos. Interfaces conversacionales que “hablan” el lenguaje de producción (KPIs, OEE, MTBF) empoderando a técnicos y gerentes, reduciendo la distancia entre análisis y acción. La próxima ventaja competitiva está en quienes integren IA + experiencia operativa antes que la competencia. ¿Tu planta ya habla el idioma de los LLM? hashtag#IAIndustrial hashtag#LLM hashtag#Industria40 hashtag#TransformacionDigital hashtag#MantenimientoPredictivo hashtag#SmartManufacturing

Sección Noticias No pienso que las maquinas puedan razonar como los humanos, es una forma de hablar. Pero me atrae mucho como los algoritmos y técnicas evolucionan para simular ese pensamiento. Ya he avanzado en otros post estudios al respecto, como en el que hable de los "LARGE CONCEPT MODELS" (LCMS). https://lnkd.in/drP7zmfS En los últimos años, la IA ha avanzado a pasos agigantados, sobre todo desde la llegada de ChatGPT en 2022. Durante un tiempo, la carrera se centró en crear modelos cada vez más grandes y potentes, lo que llevó a enormes inversiones en centros de datos. Sin embargo, recientemente se ha visto que simplemente aumentar el tamaño de los modelos ya no garantiza mejores resultados. El rendimiento de algunos de los modelos más grandes, como GPT-4.5, no cumplió con las expectativas, lo que ha llevado a un cambio de enfoque en la investigación de IA. Ahora, el reto no es solo hacer modelos más grandes, sino hacer que piensen de forma más parecida a los humanos. En vez de buscar respuestas rápidas, los investigadores están enseñando a las IA a tomarse su tiempo y razonar paso a paso. Un ejemplo de esto es la técnica llamada “cadena de pensamiento”, que permite a los modelos descomponer un problema en pasos intermedios antes de llegar a una solución. Este método ha demostrado mejorar mucho el rendimiento en tareas de lógica y matemáticas. Gracias a este enfoque, han surgido modelos de nueva generación como OpenAI o3, Google Gemini 2.5, Anthropic Claude 3.7 y DeepSeek R1, que destacan por su capacidad de razonamiento. Además, la comunidad científica está desarrollando variantes como “árbol de pensamiento” o “lógica de pensamiento”, todas inspiradas en cómo las personas abordan problemas complejos. El funcionamiento de este razonamiento se basa en que los modelos, en lugar de dar una respuesta directa, generan una serie de pasos lógicos antes de llegar a la conclusión. Incluso se utilizan técnicas de aprendizaje por refuerzo para premiar a los modelos cuando sus razonamientos intermedios llevan a una mejor respuesta final. Así, la IA aprende a dividir problemas grandes en partes más pequeñas y a corregir errores sobre la marcha, imitando estrategias humanas.

Completé el formulario que me pidió Miriam, para que disponga de un registro con nuestra infromación y poder así coordinar mejor. Os animo a que lo cumplimenteis. https://docs.google.com/forms/d/e/1FAIpQLSePNLpg8DYKEZn9ND_b75mvok9e566buxelF79R9X-mP7sqRg/viewform?usp=sharing Gracias Miriam!!! 😍

¿Te sentirías cómodo si parte de las decisiones del gobierno que te afectan las tomara una IA? ¿En qué casos sí y en cuáles no?