Noticias
OpenAI Newly Released AI Product ‘Swarm’ Swiftly Brings Agentic AI Into The Real World
Here’s what you need to know about the latest in agentic AI and the release of OpenAI’s new Swarm.
In today’s column, I examine the newly announced OpenAI product called Swarm and explain how this significant unveiling brings the emerging realm of agentic AI into tangible reality.
There is increasing momentum regarding agentic AI as the future next-stretch for the advent of advances in generative AI and large language models or LLMs. Anyone interested in where AI is going ought to be up-to-speed about Swarm since it comes from OpenAI, the 600-pound gorilla or big whale when it comes to advances in generative AI.
Let’s talk about it.
This analysis of an innovative proposition is part of my ongoing Forbes.com column coverage on the latest in AI including identifying and explaining various impactful AI complexities (see the link here).
Agentic AI Fundamentals
Before I do the unpacking of Swarm, I want to make sure we are all on the same page about agentic AI. I’ll provide the keystones of interest. For my detailed coverage of agentic AI, see the link here.
Here’s the deal.
Imagine that you are using generative AI to plan a vacation trip. You would customarily log into your generative AI account such as making use of the widely popular ChatGPT by OpenAI. The planning of your trip would be easy-peasy due to the natural language fluency of ChatGPT. All you need to do is describe where you want to go, and then seamlessly engage in a focused dialogue about the pluses and minuses of places to stay and the transportation options available.
When it comes to booking your trip, the odds are you would have to exit generative AI and start accessing the websites of the hotels, amusement parks, airlines, and other locales to buy your tickets. Few of the major generative AI available today will take that next step on your behalf. It is up to you to perform those tasks.
This is where agents and agentic AI come into play.
In earlier days, you would undoubtedly phone a travel agent to make your bookings. Though there are still human travel agents, another avenue would be to use an AI-based agent that is based on generative AI. The AI has the interactivity that you expect with generative AI. It also has been preloaded with a series of routines or sets of tasks that underpin the efforts of a travel agent. Using everyday natural language, you interact with the agentic AI which works with you on your planning and can proceed to deal with the nitty-gritty of booking your travel plans.
As a use case, envision that there is an overall AI agent that will aid your travel planning and booking. This agentic AI might make use of other AI agents to get the full job done for you. For example, there might be an AI agent booking hotels and doing nothing other than that specific task. Another AI agent books flights. And so on.
The overarching AI travel agent app would invoke or handoff phases of the travel booking activity to the respective AI agents. Those AI agents would perform their particular tasks and then go back to the overarching AI travel agent to indicate how things went.
You could say that the AI travel agent app is orchestrating the overall planning and booking process. This is done via a network of associated AI agents that undertake specialized tasks. The AI agents communicate with each other by passing data back and forth. For example, you might have given your name and credit card info to the AI travel agent app and it passes that along to the AI agent booking the hotel and the AI agent booking your flights.
In a sense, the AI agents are collaborating with each other. I somewhat hesitate to use the word “collaborate” because that might imply a semblance of sentience and overly anthropomorphize AI. Let’s just agree that the AI agents are computationally interacting with each other during the processing of these tasks. We will be a bit generous and suggest they are being collaborative.
Those Agentic AI Advantages
The beauty of this arrangement is that if the AI agents are all based on generative AI, the setup can make use of natural language to bring all the agents together and engage them in working with you interactively. A normal computer program that isn’t based on natural language capabilities would either not interact in a natural language manner, or the collaboration between the various routines or separate apps would have to be programmatically devised.
These AI agents can also make use of tools during their processing. The AI travel agent might have a backend database that keeps track of your various trips. To access the database, the AI travel agent invokes a tool that was built to record data in the database. By using such tools, each AI agent can leverage other available programs that aren’t necessarily natural language based.
I have now introduced you to some of the key terminology associated with agentic AI, consisting of these six primary considerations:
- (1) Orchestration. A generative AI agent will at times orchestrate the use of other AI agents and conduct them toward fulfilling a particular purpose or goal.
- (2) Network of AI agents. Various AI agents are often considered part of a virtual network that allows them to readily access each other.
- (3) Communicate with each other. AI agents are typically set up to communicate with each other by passing data back and forth and performing handoffs with each other to get things done.
- (4) Collaborate with each other. AI agents work in concert or collaborate, though not quite as robustly as humans would, so we’ll loosely say the AI kind of collaborates computationally, including doing handoffs and passing data to each other.
- (5) Autonomously perform tasks. AI agents are said to be at times autonomous in that a human does not necessarily need to be in the loop when the various tasks are being performed by the AI.
- (6) Expressed in natural language. The beauty of AI agents that are devised or based on the use of natural language is that rather than having to laboriously write program code to get them to do things, the use of natural language can be leveraged instead.
Shifting Into The OpenAI Swarm
OpenAI recently announced and made available access to their new product known as Swarm.
I will be quoting from the OpenAI blog about Swarm as posted on October 9, 2024. For those of you interested in actively trying out Swarm, right now it is considered experimental, and you’ll need to use the code that OpenAI has made available on GitHub. If you have sufficient Python coding skills and know how to make use of the generative AI APIs or application programming interface capabilities, you should be able to quickly try out the new product.
This is a one-liner by OpenAI that describes what Swarm is:
- “An educational framework exploring ergonomic, lightweight multi-agent orchestration.”
Swarm is essentially an experimental and educational setup to get agentic AI underway by OpenAI and provides AI developers with a means of trying out agentic AI capabilities. I suppose that the name Swarm refers to the idea that you can have a whole bunch of AI agents working together. In addition, if you think of swarms such as a swarm of bees, swarms often have some overall purpose, such as bees defending against a perceived invader.
The OpenAI blog description quoted above says that the AI agents are lightweight. This suggests that the AI agents are somewhat narrowly scoped and not heavy-duty in terms of any particular agent doing a huge amount of work entirely on its own. That is also where the multi-agent aspects come to the fore. You are presumably going to use lots of said-to-be lightweight AI agents and orchestrate them together to achieve a noted end goal.
An Example Of Agentic AI In Action
The GitHub site and the blog about Swarm showcase some examples of how things work. I have opted to make up my own example and loosely based it on the official ones they posted. I am going to leave out the Python coding to make this example easier to comprehend. By and large, the example generally exemplifies the core essence involved.
My scenario is this.
A company I’ll name as the Widget Corporation wants to develop an automated Customer Support Agent using generative AI. This will be made available to existing customers. A customer will interact directly with the AI agent. The AI agent will find out what the customer’s concerns are. Based on those concerns, the AI agent will attempt to provide a potential resolution. If a resolution is not feasible, the customer will be able to return the item that they bought and get a refund.
I’d dare say this is a pretty common task and usually involves a series of subtasks.
The usual approach for a software developer would be to code this from scratch. It could take gobs of hours to write the code, test it, and field it. Instead, we will use agentic AI and indicate the primary agent, a Customer Support Agent, via the use of natural language.
To illustrate the notion of communication and collaboration, I will define two agents, a Customer Support Agent (considered an AI agentic “Routine” and my primary agent) and a second agent that is Refunds And Returns Agent (considered another AI agentic “Routine” and used by the primary agent). They will do handoffs and make use of tools.
Here is my definition of the Customer Support Agent.
- AI agent routine with tool use and a handoff: Customer Support Agent
“You are a customer support agent for the Widget Corporation.”
“Follow this standard routine:
“(1) When a customer contacts you, make sure to ask sufficient questions to grasp what their customer support issue consists of.”
“(2) Access the Widget Corp internal customer support database WidgetSys to see if any similar issues have ever been logged.”
“(3) Try to come up with a solution for the customer that will resolve their support issue.”
“(4) Provide the proposed solution to the customer and get their feedback.”
“(5) If the customer wants to do a product return and get a refund then invoke the Returns And Refunds Agent and provide relevant details about the customer.”
End of definition
I’d like you to notice that the definition is written in natural language.
If you fed that same text into generative AI such as ChatGPT as a prompt, the AI would generally be able to proceed.
Give that a reflective moment of thought. Imagine the vast amount of arduous coding or programming you would have to write to do the same thing. All we had to do here was express what we wanted via the use of everyday natural language.
Boom, drop the mic.
Inside the natural language description in Step #2, I refer to a tool, the WidgetSys tool. This is a program that the Widget Corporation has developed to access its internal customer service records database.
In Step #5, I mention another AI agent, known as the Returns And Refunds Agent. This is a handoff activity that will occur when Step #5 is performed. In addition, I indicated that relevant customer data should be passed over.
The Allied AI Agent For This Example
Now that you’ve seen the primary AI agent, let’s take a look at the allied AI agent.
Here it is.
- AI agent routine with tool use and a handoff: Returns And Refunds Agent
“You are a product returns and refund agent for the Widget Corporation.”
“Follow this standard routine:”
“(1) Ask the customer if they want to return the product and get a refund.”
“(2) If the customer says no then go back to Customer Support Agent.”
“(3) Access the WidgetSys database to mark that the product is being returned and the customer will be given a refund.”
“(4) Tell the customer how to return the product and let them know they will be given a refund.”
“(5) Go back to Customer Support Agent and inform that the return and refund processing is now underway.”
End of definition
Once again, the AI agent is defined via the use of natural language.
A handoff back to the primary agent happens in Step #2. Access to the tool WidgetSys takes place at Step #3. Another handoff back to the primary agent occurs in Step #5.
This allied AI agent takes on the task of processing a potential item return and refund. This could have been embedded entirely in the Customer Support Agent, but it turns out to be better for us to make it into a separate routine. Doing so means that we can always make use of the AI agent from other agentic AI that might need to invoke that specific task.
Vital Considerations About These AI Agents
Let’s be contemplative and mindfully explore the big picture. Life is always full of tradeoffs. The use of AI agents is no exception to that rule of thumb. You’ve seen first-hand that a notable plus is the ease of development via natural language.
Time to discuss some of the downsides or qualms.
I provided five steps for the Customer Support Agent and another five steps for the Returns And Refunds Agent. Is that sufficient to cover the wide range of aspects that might arise when successfully performing a customer support role?
Probably not.
Okay, so we might proceed to add more steps. But does that really solve the dilemma of completeness? Probably not. You aren’t likely to lay out all possible steps along with the endless number of permutations and combinations. The generative AI is going to be expected to do the right thing when having to go beyond the stipulated steps.
The generative AI might opt to do something that we would be chagrined or concerned about upon going beyond the stated steps. Keep in mind that the AI is not sentient. It works based on mathematical and computational pattern-matching. Do not expect a kind of human commonsense to be at play, see my analysis at the link here.
Another issue is that everyday words and natural language are said to be semantically ambiguous (see my detailed discussion at the link here). When I told the AI to resolve the customer issue (as part of Step #3 in Customer Support Agent), what does that exactly mean? Resolving something can be a vague concept. The AI could go in many different directions. Some of those directions might be desirable and we would be pleased, while other directions might frustrate a customer and cause poor customer service.
You must also anticipate that the AI could momentarily go off the rails. There are so-called AI hallucinations that generative AI can encounter, see my coverage at the link here. I don’t like the catchphrase because it implies that AI hallucinates in a manner akin to human hallucinations, which is a false anthropomorphizing of AI. In any case, the AI can make up something out of thin air that appears to be sensible but is not factually grounded. Imagine if the AI tells a customer that they can get a refund if they stand on one leg and whoop and holler. Not a good look.
These and other sobering considerations need to be cooked into how you devise the AI agents and how you opt to ensure they operate in a safe and sane manner.
Excerpts Of How OpenAI Explains Swarm
Congratulations, you are now up to speed on the overall gist of agentic AI. You are also encouraged to dig more deeply into Swarm, which is one framework or approach to AI agents. See my coverage at the link here for competing AI agentic frameworks and methods.
Since you are now steeped in some of the agentic AI vocabularies, I have a bit of an informative test or quiz for you. Take a look at these excerpts from the OpenAI blog. I am hoping that you are familiar enough with the above discussion that you can readily discern what the excerpts have to say.
I’m selecting these excerpts from “Orchestrating Agents: Routines and Handoffs” by Ilan Bigio, OpenAI blog, October 9, 2024:
- “The notion of a ‘routine’ is not strictly defined, and instead meant to capture the idea of a set of steps. Concretely, let’s define a routine to be a list of instructions in natural language (which we’ll represent with a system prompt), along with the tools necessary to complete them.”
- “Notice that these instructions contain conditionals much like a state machine or branching in code. LLMs can actually handle these cases quite robustly for small and medium-sized routines, with the added benefit of having ‘soft’ adherence – the LLM can naturally steer the conversation without getting stuck in dead-ends.”
- “Dynamically swapping system instructions and tools may seem daunting. However, if we view ‘routines’ as ‘agents’, then this notion of handoffs allows us to represent these swaps simply – as one agent handing off a conversation to another.”
- “Let’s define a handoff as an agent (or routine) handing off an active conversation to another agent, much like when you get transferred to someone else on a phone call. Except in this case, the agents have complete knowledge of your prior conversation!”
- “As a proof of concept, we’ve packaged these ideas into a sample library called Swarm. It is meant as an example only and should not be directly used in production. However, feel free to take the ideas and code to build your own!”
How did you do?
I had my fingers crossed that the excerpts made abundant sense to you.
Getting Used To Agentic AI
A few final thoughts for now about the rising tide of agentic AI.
Conventional generative AI that you might be using day-to-day tends to do things one step at a time. Agentic AI boosts this by providing potential end-to-end processing for tasks that you might want to have performed on your behalf. Much of the time, agentic AI leans into the capabilities of generative AI.
Lots of AI agents can potentially get big things done.
I am reminded of the famous quote by Isoroku Yamamoto: “The fiercest serpent may be overcome by a swarm of ants.”
Though the bandwagon is definitely toward agentic AI, we need to keep our wits about us and realize that there are strengths and weaknesses involved. Suppose an agentic AI goes wild and like a swarm of bees’ attacks anything within range. Not a good look. All manners of AI ethics and AI law ramifications are going to arise.
You might brazenly assert that a swarm of them will soon emerge.
Un acontecimiento reciente en la batalla legal en curso entre OpenAI y los principales medios de comunicación, incluidos Los New York Times y Noticias diariasha llamado la atención en las comunidades tecnológica y legal.
Los abogados que representan a estos editores afirman que los ingenieros de OpenAI eliminaron accidentalmente datos cruciales que podrían haber respaldado su caso en una demanda que acusa a la empresa de inteligencia artificial de extraer contenido protegido por derechos de autor para entrenar sus modelos sin permiso.
Este incidente pone de relieve la tensión entre las tecnologías emergentes de IA y los derechos de propiedad intelectual. Esto es lo que sucedió y por qué es importante.
¿Qué pasó? El incidente de eliminación de datos
En un giro inusual, los ingenieros de OpenAI borraron los datos almacenados en una máquina virtual configurada para que los editores buscaran su material protegido por derechos de autor.
La demanda gira en torno a afirmaciones de que OpenAI utilizó artículos con derechos de autor, incluidos los de The New York Times y Daily News, para entrenar sus modelos de IA, como GPT-4, sin obtener los permisos o licencias necesarios.
En otoño, OpenAI acordó proporcionar dos máquinas virtuales a los equipos legales de los demandantes. Estas máquinas permitirían a los expertos buscar en los vastos conjuntos de entrenamiento de IA de OpenAI para ver si el contenido de las empresas se había utilizado sin consentimiento.
Después de semanas de búsqueda, los expertos habían acumulado más de 150 horas de trabajo, hasta que los datos fueron eliminados el 14 de noviembre.
Los abogados de los editores presentaron una carta en el Tribunal de Distrito de EE. UU. para el Distrito Sur de Nueva York, explicando que los ingenieros de OpenAI habían borrado accidentalmente datos críticos que podrían haber ayudado a rastrear dónde y cómo se utilizaron los artículos de los editores en el entrenamiento de los modelos.
Si bien se recuperaron algunos datos, las estructuras de carpetas y los nombres de los archivos se perdieron “irremediablemente”, lo que hizo que los datos recuperados fueran inútiles para la investigación. Este error obliga a los demandantes a recrear su trabajo desde cero.
¿Por qué es importante esto?
Esta eliminación podría tener un impacto significativo en el caso legal. Si los demandantes no pueden probar su afirmación de que OpenAI utilizó sus artículos sin permiso, puede resultar difícil responsabilizar a la empresa.
Aunque OpenAI intentó recuperar los datos, el incidente generó preocupaciones sobre la integridad de la gestión de datos de la empresa y su capacidad para cumplir con las obligaciones legales en lo que respecta al respeto de los derechos de propiedad intelectual.
Además, el equipo legal de los editores enfatizó que, si bien no creen que la eliminación haya sido intencional, subraya una cuestión crítica: OpenAI es la única entidad con acceso a sus propios conjuntos de datos.
La empresa podría estar mejor posicionada para realizar búsquedas exhaustivas para localizar cualquier contenido infractor. Sin embargo, sin una cooperación transparente, el proceso podría verse gravemente obstaculizado.
La defensa de OpenAI: uso legítimo frente a infracción de derechos de autor
En respuesta a estas demandas, OpenAI ha defendido constantemente su posición, argumentando que utilizar datos disponibles públicamente, incluidos artículos de noticias, para entrenar modelos de IA es una forma de “uso justo”.
Según esta doctrina legal, las empresas pueden utilizar material protegido por derechos de autor sin permiso si se utiliza con fines como investigación, educación o comentarios.
OpenAI cree que, dado que sus modelos, como GPT-4, se basan en grandes cantidades de contenido disponible públicamente, no necesita compensar a los titulares de derechos de autor, incluso si su tecnología genera ingresos al proporcionar servicios basados en IA.
Sin embargo, la legalidad de esta defensa sigue siendo un área gris. Si bien OpenAI ha firmado acuerdos de licencia con varios editores destacados, incluidos La prensa asociada, Información privilegiada sobre negociosy Tiempos financieroslos términos de estos acuerdos no han sido revelados.
Los informes sugieren que editores como Dotdash Meredith, la empresa matriz de Gentepodría estar recibiendo pagos sustanciales y, según se informa, Dotdash consiguió un acuerdo anual de 16 millones de dólares.
Estas asociaciones parecen ser parte de la estrategia de OpenAI para mitigar posibles riesgos de infracción de derechos de autor, pero la cuestión más amplia del uso de contenido protegido por derechos de autor sin consentimiento sigue siendo importante.
Las implicaciones legales y éticas
El caso OpenAI es un recordatorio de que los límites entre la innovación y la ley de propiedad intelectual siguen siendo turbios, especialmente en el campo de la IA en rápida evolución.
También destaca una preocupación más amplia: a medida que las tecnologías de inteligencia artificial se vuelven más sofisticadas, la línea entre lo que constituye “uso legítimo” y la infracción de derechos de autor es cada vez más difícil de trazar.
Para los editores, este caso plantea preguntas importantes sobre si deberían ser compensados por su trabajo utilizado en la capacitación en IA o si las empresas de IA deberían tener más libertad para construir modelos utilizando la gran cantidad de datos disponibles en Internet.
Si el argumento de OpenAI de que extraer datos disponibles públicamente constituye un uso legítimo se sostiene en los tribunales, podría sentar un precedente que cambie el panorama tanto para los creadores de contenido como para las empresas de tecnología.
¿Qué sigue en el caso?
Por ahora, la batalla legal está lejos de terminar. Si bien OpenAI no ha confirmado ni negado que haya utilizado ninguna obra específica protegida por derechos de autor, se espera que la demanda se prolongue durante algún tiempo.
Los próximos meses probablemente serán críticos para determinar cómo las empresas de IA manejarán las cuestiones de derechos de autor en el futuro. Los editores están siguiendo de cerca este caso, ya que su resultado podría remodelar la forma en que se utiliza el contenido para entrenar la IA y cómo se compensa a los creadores por su trabajo.
Un debate creciente sobre la IA y los derechos de autor
Este caso es parte de un debate más amplio sobre cómo debería evolucionar la ley de propiedad intelectual en la era de la inteligencia artificial.
Muchos creadores y editores de contenido están preocupados por las implicaciones de que la IA elimine su trabajo sin permiso, mientras que los desarrolladores de IA argumentan que tales prácticas son esenciales para construir tecnologías innovadoras que beneficien a la sociedad.
En los próximos años, es posible que veamos más casos como este, a medida que el mundo de la IA siga expandiéndose. Es probable que los tribunales tengan que decidir cómo equilibrar los intereses de los creadores, los consumidores y las empresas de tecnología de una manera que respalde tanto la innovación como la equidad.
Ejemplos del mundo real: ¿quién se ve afectado?
El impacto de este caso no se limita a las grandes editoriales como Los New York Times y Noticias diarias. Los creadores de contenidos más pequeños, los blogueros y los periodistas independientes también pueden sentir los efectos dominó del resultado.
Si a las empresas de inteligencia artificial se les permite extraer contenido sin licenciarlo, podría socavar el valor del trabajo original y la propiedad intelectual para todos los creadores.
Por otro lado, si los tribunales deciden que las empresas de inteligencia artificial deben pagar por el contenido que utilizan, esto podría proporcionar nuevas fuentes de ingresos para aquellos cuyo trabajo impulsa los algoritmos. Este es un momento crítico en la intersección de la tecnología, el derecho y la creatividad.
Al profundizar en esta disputa legal, podemos ver que el camino a seguir requerirá una cuidadosa consideración tanto de los principios legales como de las consideraciones éticas que rodean a la IA. Queda por ver si se exigirá a OpenAI que compense a los medios de comunicación por su contenido o si sus acciones se considerarán “uso justo”.
Pero una cosa está clara: la relación entre las empresas de IA y los creadores de contenido está entrando en un territorio inexplorado, y su resolución podría sentar las bases para la forma en que las futuras generaciones de IA interactuarán con el contenido que da forma a nuestro mundo digital.
La carrera por el liderazgo del Comité Nacional Demócrata (DNC) ha comenzado oficialmente. El ex gobernador de Maryland, Martin O’Malley, y Ken Martin, presidente del Partido Demócrata-Campesino-Laborista de Minnesota, han surgido como los primeros candidatos oficiales.
La selección del nuevo presidente será fundamental para dar forma a la estrategia y dirección del partido de cara a las elecciones presidenciales de 2028.
Pero, ¿quién terminará reemplazando al actual presidente del Comité Nacional Demócrata, Jaime Harrison, quien ocupa el cargo desde enero de 2021? Semana de noticias preguntó la herramienta de IA generativa, ChatGPT, qué candidato cree que saldrá victorioso.
Ilustración fotográfica de Newsweek/Getty Images/AP
¿Quién ganará la carrera por el liderazgo del Comité Nacional Demócrata?
Semana de noticias preguntó Chat GPT “La carrera por el liderazgo del Comité Nacional Demócrata (DNC) ha comenzado oficialmente. El puesto quedará vacante en marzo cuando el actual presidente Jaime Harrison se prepara para dimitir. ¿Quién será el próximo presidente del DNC?”
Se pidió a la herramienta de IA generativa que viera una lista de los posibles candidatos, explicara por qué serían buenas opciones y sugiriera quién tenía probabilidades de ganar.
“El Comité Nacional Demócrata (DNC) elegirá un nuevo presidente para marzo de 2025, tras la decisión de Jaime Harrison de dimitir”, respondió Chat GPT. “Varios demócratas destacados han surgido como candidatos potenciales para este papel fundamental”.
Candidatos declarados
Ashlee Rezin/Chicago Sun-Times vía AP
Ken Martín
Martin, que actualmente se desempeña como presidente del Partido Demócrata-Campesino-Laborista de Minnesota y vicepresidente del Comité Nacional Demócrata, anunció su candidatura el 19 de noviembre. Aporta una amplia experiencia en la organización del partido y ha obtenido el apoyo de varios líderes y progresistas del partido estatal.
Semana de noticias se ha puesto en contacto con Martin por correo electrónico para solicitar comentarios.
Kevin Dietsch/Getty Images
Martín O’Malley
El exgobernador de Maryland y candidato presidencial de 2016 declaró su candidatura a la presidencia del Comité Nacional Demócrata el 18 de noviembre. O’Malley enfatiza la necesidad de que el partido se reconecte con los estadounidenses comunes y corrientes y se centre en la seguridad económica.
Semana de noticias se ha comunicado con Martin a través de un comentario en un formulario en línea.
Candidatos potenciales
Daniel Boczarski/Getty Images
Ben Wikler
Como presidente del Partido Demócrata de Wisconsin, Wikler ha desempeñado un papel decisivo en la movilización de votantes en un estado clave en el campo de batalla. Sus habilidades organizativas y su éxito en Wisconsin lo convierten en un fuerte contendiente.
Semana de noticias se ha puesto en contacto con Wikler por correo electrónico para hacer comentarios
Emanuel Rahm
Steven Ferdman/Getty Images
Según se informa, el actual embajador de Estados Unidos en Japón y ex alcalde de Chicago está considerando postularse para presidente del Comité Nacional Demócrata. La amplia experiencia política de Emanuel y su capacidad de recaudación de fondos podrían ser activos valiosos para el partido.
Semana de noticias se ha comunicado con Emanuel por correo electrónico para solicitar comentarios.
Mitch Landrieu
Anna Moneymaker/Getty Images
El ex alcalde de Nueva Orleans y zar de infraestructura de la Casa Blanca ha sido mencionado como candidato potencial. La experiencia de Landrieu en proyectos de infraestructura y gobernanza urbana podría proporcionar una ventaja estratégica.
Semana de noticias se ha comunicado con Landrieu por correo electrónico para solicitar comentarios.
Resultado probable
Si bien es prematuro predecir el resultado definitivo, la entrada temprana de Ken Martin en la carrera y su apoyo sustancial de los miembros del Comité Nacional Demócrata lo posicionan como un candidato fuerte. Sin embargo, la dinámica podría cambiar a medida que otros candidatos formalicen sus candidaturas y presenten sus visiones para el futuro del partido.
La selección del próximo presidente del Comité Nacional Demócrata influirá significativamente en la estrategia y dirección del Partido Demócrata en los próximos años, especialmente después de los recientes resultados electorales.
¿Cuándo se decidirá el próximo presidente del Comité Nacional Demócrata?
Se espera que el Comité Nacional Demócrata elija a su próximo presidente antes del 1 de marzo de 2025. Las reglas del partido exigen que la elección de liderazgo se lleve a cabo antes de esta fecha, según Ballotpedia.
Aunque aún no se ha anunciado la fecha exacta, las elecciones generalmente tienen lugar durante la reunión de invierno del comité.
¿Tienes una historia? Semana de noticias debería estar cubriendo? ¿Tienes alguna pregunta sobre esta historia? Póngase en contacto con [email protected].
Mucho más que un simple chatbot talentoso, Google Gemini ofrece funcionalidad de IA multimodal y una interactividad potente e indolora. El nivel más alto de Google One, uno de los mejores servicios de almacenamiento en la nube de la actualidad, incluye convenientemente acceso a su versión más potente.
Emitir indicaciones sencillas y generar texto escrito competente resulta fácil para los nuevos usuarios de Gemini, pero su conjunto de herramientas en constante expansión proporciona impresionantes mejoras en la productividad. Estas son algunas de las formas más útiles de utilizar el agente de inteligencia artificial de Google en constante mejora para ahorrar tiempo y aumentar el rendimiento.
Relacionado
Primeros pasos con Google Gemini: conceptos básicos del último asistente de Android
Si quieres probar Géminis, estos consejos y trucos te ayudarán
13 Actualizar la gestión del tiempo y las rutinas de autocuidado
Aprenda hábitos eficientes y prácticas efectivas.
Alimentar a Géminis con una lista completa de tareas pendientes, completa con tareas recurrentes y actividades únicas, puede generar un cronograma conciso que priorice su rutina personal, las próximas fechas límite importantes o los nuevos hábitos que está tratando de adquirir. Alternativamente, brinde al agente de IA un resumen detallado de cómo pasó los últimos días, y podrá brindarle consejos sobre cómo optimizar su agenda para que todo se ajuste más cómodamente.
En su vida profesional, delinear las necesidades y los recursos de un proyecto le permite a Gemini analizar las formas más rentables y rentables de lograr sus objetivos. Después de todo, nada ayuda más a desarrollar la eficiencia de una máquina que preguntarle a una máquina.
12 Obtenga esquemas sencillos de videos de YouTube
No pierdas el tiempo sentado viendo vídeos extendidos
A veces, los creadores de información se van por la tangente y los expertos educados se vuelven prolijos. En lugar de esperar vídeos largos para ir al grano, o intentar mantener todos los elementos en orden en tu cabeza, pídele a Gemini un resumen. Puede seleccionar los puntos más importantes a lo largo de una producción y presentarlos en un formato fácil de leer.
Funciona especialmente bien con vídeos instructivos, como tutoriales de reparación y cocina, pero resulta útil con todo tipo de contenido. Incluso puede ayudar a evitar anuncios tediosos para aquellos que aún no están suscritos a YouTube Premium.
Relacionado
El vicepresidente senior de Arm explica el verdadero impacto de la IA, y no es lo que piensas
Nuestra entrevista con el ejecutivo de Arm, Chris Bergey
11 Resumir conjuntos de datos grandes y complejos
Analizar cantidades abrumadoras de información
Si tiene una hoja de cálculo con demasiadas páginas y columnas para entenderla rápidamente, pídale a Gemini que la desglose por usted. Puede extraer inferencias generales de toda la colección de datos, investigar tendencias dentro de categorías individuales e incluso ayudar a desarrollar gráficos para visualizar la información. Puede solicitar resultados más simples o más complejos si todavía tiene problemas para comprender un documento o necesita información más detallada.
10 Autocompletar hojas de cálculo según el contexto
Complete rápidamente la entrada de datos repetitivos
Fuente: Google
La función mejorada Smart Fill de Gemini en Google Sheets detecta patrones y proporciona soluciones automatizadas para la tediosa entrada de texto. Transfiere rápidamente datos relativamente simples de una columna o formato a otro. Gemini Autofill agrega una capa de integración de IA, identifica relaciones más complejas y sugiere formas de registrarlas de manera clara y efectiva. Estas dos características ejemplifican la utilidad de lo que algunos llaman un “autocompletado glorificado”.
Relacionado
8 formas de usar Gemini en Google Sheets
Google Sheets con Gemini garantiza que tu día sea más fácil
9 Analice fácilmente la calidad SEO de los sitios web
Consulte las entradas del blog y los editoriales para comprobar su exhaustividad.
Un mensaje rápido le permite a Gemini examinar qué tan bien usted o un medio crearon un sitio. Puede compilar un informe sobre la cohesión de encabezados, meta descripciones, palabras clave y enlaces entrelazados. También puede usarlo junto con la página de resultados del motor de búsqueda para ver qué tan bien se está conectando con lo que quiere el público. Sobresale especialmente en generar preguntas de personas que también hacen y fragmentos destacados.
Con acceso a la herramienta de prueba de datos estructurados de Google, pocos agentes de inteligencia artificial pueden igualar la capacidad de Gemini para analizar la estructura y navegación de una página. Sin embargo, al igual que con otras solicitudes directas de análisis, asegúrese de comprobar los sentidos de las respuestas de Géminis. En lugar de confiar en que sus consejos de SEO sean correctos, utilice sus afirmaciones para comparar la página con las técnicas de SEO actuales y establecidas, y prepárese para solicitar revisiones o una segunda opinión.
8 Solucionar problemas y verificar el código
Rebotar ideas de programación de un modelo programado.
Los programadores han utilizado durante mucho tiempo patos de goma como oyentes inanimados para ayudar a encontrar problemas que se escapan de las grietas. Géminis puede responder, lo que lo hace aún más efectivo. Puede brindarle numerosos puntos de partida y métodos para abordar una tarea de programación y evaluar la eficiencia con la que se ejecutará su código ya escrito.
Querrá comparar sus sugerencias con sus conocimientos y recursos y, a veces, se topa con callejones sin salida o alucina, pero es mucho más efectivo que un juguete de baño.
7 Crea itinerarios de viaje inspiradores
Deje que Géminis actúe como trampolín para sus planes de vacaciones
Utilice Gemini para Google Sheets para crear planes de viaje perfectos, ya sea para un viaje de trabajo o recreativo. Puede dirigirlo a los sitios más famosos, mostrarle más atracciones que pasan desapercibidas e incluso presentarle algunos lugares locales oscuros. Naturalmente, siempre puedes utilizar sus itinerarios de muestra para ayudarte a pensar dónde quieres ir y qué quieres hacer, eliminando el estrés de planificar salidas de larga distancia.
6 Diseñe indicaciones de IA más efectivas
Cómo Gemini te ayuda a usar Gemini
Decirle al asistente de inteligencia artificial que necesita ayuda con el mensaje de Géminis correcto puede desbloquear estrategias que de otro modo tendría que investigar y adivinar. Esto tiene sentido, porque ¿qué conoce mejor a Géminis que él? Describir sus necesidades, incluido el contexto, el formato y el grado de especificidad, puede reducir la cantidad de tiempo necesario para obtener información útil. También puede adaptar el resultado al tono adecuado para comunicarse con grupos específicos de personas.
Relacionado
Aquí se explica cómo avisar a Géminis, según Google
Google publicó una hoja de trucos para aprovechar al máximo su herramienta de IA
5 Simplifique la redacción técnica para lectores generales
Reduzca la jerga y optimice los temas complicados
Para un escritor técnico que explica temas avanzados a generalistas, o para un profano que intenta comprender las complejidades de un campo de alta tecnología, Gemini hace maravillas al simplificar temas confusos. Reemplaza la terminología específica de un campo con una redacción sencilla y ayuda a lectores y escritores de ambos extremos del espectro a mantenerse en sintonía.
4 Encuentre respuestas a preguntas oscuras
Cuando la Búsqueda de Google no es suficiente
Es difícil obtener las respuestas exactas a algunas preguntas, pero el vasto Gráfico de conocimiento de Google vincula su enorme variedad de información de maneras poderosas. Mejora su capacidad para investigar y crear contenido informativo en profundidad, especialmente cuando utiliza Gemini en Google Docs.
Gemini y otros LLM cometen errores y siempre necesitarás volver a verificar sus respuestas, pero copiar y pegar rápidamente lo hace fácil. Al menos, buscar en la web a través de Gemini le brinda el trampolín perfecto para responder consultas extremadamente específicas.
3 Implementar fórmulas avanzadas de hojas de cálculo
Omita el proceso de dominar Google Sheets
Ya no necesitas pasar incontables horas dominando hojas de cálculo para implementar las fórmulas más efectivas. Gemini para Google Sheets ya hace un trabajo fantástico al sugerir las operaciones correctas y siempre está mejorando. La gestión competente de hojas de cálculo puede hacer o deshacer un equipo, lo que la convierte en una poderosa herramienta profesional.
2 Prepárese para entrevistas y reuniones importantes
Haga que Géminis haga las preguntas para evitar que lo tomen por sorpresa
Fuente: Policía de Android
No hay nada mejor que practicar para entrevistas individuales y paneles de discusión grupales. Proporcione a Gemini su tesis, currículum o tema y recursos de discusión, y pídale que le interrogue sobre contenido relacionado. Rápidamente desarrollarás una comprensión más profunda de tu propio material e incluso podría ayudarte a conseguir un trabajo o un ascenso.
1 Ajuste los agentes de IA de Gems personalizados
Tenga a mano asistentes de IA personalizados en todo momento
Fuente: Google
Los agentes de IA de Google Gems le permiten personalizar un agente específico para los temas, formatos y tonos que necesita habitualmente. Desarrolla el tuyo propio y mantenlo a tu lado para tus tareas más habituales. Esto puede reducir en gran medida la cantidad de tiempo y esfuerzo que se necesita para usar la IA, de otra manera que Gemini te ayuda a usarla.
Relacionado
Cómo crear chatbots de IA personalizados con Gemini Gems
Crea un chatbot personalizado usando Gemini Gems
Las posibilidades casi infinitas siguen aumentando
A medida que Google integre aún más Gemini en servicios potentes como la aplicación Workspace, su efectividad solo mejorará, especialmente considerando el procesamiento de IA en el dispositivo que permiten los mejores teléfonos inteligentes de la actualidad. Reduce la complejidad de la capacitación, la comunicación, el resumen y la creación, y puede ayudarlo a mantener sus pensamientos en orden cuando aparentemente tiene demasiada información que manejar.
Si utiliza estos u otros consejos de productividad con frecuencia, probablemente se beneficiará de una suscripción Gemini Advanced, que brinda acceso a un procesamiento más potente que el Gemini estándar.
-
Recursos6 meses agoSuno.com: La Revolución en la Creación Musical con Inteligencia Artificial
-
Startups6 meses agoRemove.bg: La Revolución en la Edición de Imágenes que Debes Conocer
-
Recursos6 meses agoCómo Empezar con Popai.pro: Tu Espacio Personal de IA – Guía Completa, Instalación, Versiones y Precios
-
Recursos6 meses agoPerplexity aplicado al Marketing Digital y Estrategias SEO
-
Eventos6 meses agoLa nueva era de la inteligencia artificial por el Washington Post – Mayo 2024
-
Noticias4 meses agoDos periodistas octogenarios deman a ChatGPT por robar su trabajo
-
Estudiar IA6 meses agoCurso de Inteligencia Artificial de UC Berkeley estratégico para negocios
-
Tutoriales6 meses agoCómo Comenzar a Utilizar ChatGPT: Una Guía Completa para Principiantes
