Inteligencia Artificial en el Crowdsourcing

En este texto se examina la reencarnaci√≥n de los concursos tradicionales en plataformas de crowdsourcing en l√≠nea: llevar el protocolo de concurso justo y abierto a proyectos de menor escala en todo el mundo. Nos hemos explayado sobre los modelos competitivos frente a los colaborativos de adquisici√≥n de dise√Īos y hemos hablado de la integraci√≥n de diversas tecnolog√≠as de IA en el embudo del crowdsourcing, como los sistemas de recomendaci√≥n de precios y de prospecci√≥n de espacios. Adem√°s, profundizamos en c√≥mo la IA -en particular, el aprendizaje profundo- puede “leer” la arquitectura (a trav√©s de representaciones gr√°ficas) y generar potencialmente dise√Īos conceptuales. Los arquitectos conf√≠an cada vez m√°s en los servicios en la nube, las herramientas de software avanzadas y el conocimiento del dise√Īo ambiental proporcionado por las aplicaciones inteligentes, que captan y procesan nuestro entorno, esbozan ideas, ayudan en la direcci√≥n del dise√Īo y, con el tiempo, pueden incluso dise√Īar por nosotros. Tarde o temprano, nos enfrentaremos a la pregunta existencial: “¬ŅCu√°l es nuestro papel como arquitectos?”. Todo lo que pueda cuantificarse de alg√ļn modo acabar√° realiz√°ndose mejor, m√°s r√°pido y de forma m√°s eficaz mediante la automatizaci√≥n. A corto plazo, los dise√Īadores pueden beneficiarse de las herramientas de software impulsadas por la IA para poner en marcha su proceso de dise√Īo. A largo plazo, sin embargo, es posible que existan herramientas de consumo que sean utilizadas directamente por los clientes para generar y poner en pr√°ctica diversas soluciones de dise√Īo. Inevitablemente, estos avances tendr√°n repercusiones significativas en la profesi√≥n de arquitecto.

√Čtica de la Inteligencia Artificial

√Čtica de la Inteligencia Artificial Este elemento es una expansi√≥n del contenido de los cursos y gu√≠as de Lawi. Ofrece hechos, comentarios y an√°lisis sobre √Čtica de la Inteligencia Artificial. √Čtica de la Inteligencia Artificial ¬ŅQu√© es la √©tica en la IA? La √©tica en la IA es un sistema de principios morales y t√©cnicas … Leer m√°s

Riesgos de la Inteligencia Artificial

Riesgos de la Inteligencia Artificial Este elemento es una profundizaci√≥n de los cursos y gu√≠as de Lawi. Ofrece hechos, comentarios y an√°lisis sobre “Riesgos de la Inteligencia Artificial”. Un sistema de lectura de labios es lo que los legisladores llaman una “tecnolog√≠a de doble uso”, y refleja muchas nuevas tecnolog√≠as que surgen de los mejores … Leer m√°s

ChatGPT en Educación

ChatGPT es un excelente comprobador de est√≠mulos. ¬ŅCree que se le ha ocurrido una buena idea para escribir? D√©sela al chatbot. Si consigue elaborar una redacci√≥n que usted considerar√≠a un buen trabajo, entonces deber√° perfeccionarla, reelaborarla o simplemente descartarla. A medida que vemos lo f√°cil que es para una herramienta como ChatGPT generar textos que suenan convincentemente como nosotros, se inicia la conversaci√≥n sobre lo mucho que nos importa. Nos importa mucho m√°s de lo que podr√≠amos admitir en un principio. Casi cualquier tarea puede automatizarse, pero ¬Ņqu√© gracia tiene eso?. Si externalizamos todas las tareas, podr√≠amos cortocircuitar el aprendizaje. La inteligencia artificial (IA) no puede sustituir la voz del aprendizaje y la educaci√≥n. La IA ya tiene y seguir√° teniendo un impacto en la educaci√≥n, junto con todos los dem√°s sectores. Los l√≠deres educativos innovadores tienen la oportunidad de sentar las bases del sistema de aprendizaje m√°s personalizado que jam√°s hayamos visto.

Impacto de la Inteligencia Artificial en los Derechos de Autor

El Impacto de la Inteligencia Artificial en los Derechos de Autor Este elemento es una ampliaci√≥n de los cursos y gu√≠as de Lawi. Ofrece hechos, comentarios y an√°lisis sobre el “Impacto de la Inteligencia Artificial en los Derechos de Autor”. Nota: una entrada recomendada es la siguiente: Futuro de la Inteligencia Artificial. El Impacto de … Leer m√°s

Usos de la Inteligencia Artificial

Las innovaciones tecnol√≥gicas, ya sea la ametralladora, el ferrocarril o el arco largo, pueden influir en el equilibrio del poder y el conflicto internacional. Sin embargo, su impacto est√° generalmente determinado por la forma en que las personas y las organizaciones usan la tecnolog√≠a en lugar de la tecnolog√≠a en s√≠. Es demasiado pronto para decir cu√°l ser√° el impacto de la IA estrecha, pero el desarrollo de la tecnolog√≠a sugiere que tendr√° al menos alg√ļn efecto.

Como una tecnolog√≠a “habilitadora” que se parece m√°s a la electricidad o al motor de combusti√≥n que a un sistema de armas, es probable que la IA estrecha tenga un impacto que se extienda m√°s all√° de cuestiones espec√≠ficas de superioridad econ√≥mica o militar para influir en el poder econ√≥mico y las sociedades de todo el mundo.

Generación de Imágenes mediante Inteligencia Artificial

Este texto se ocupa de la generación de imágenes mediante inteligencia artificial. Las personas que sepan utilizar las nuevas herramientas tendrán un nuevo poder. A las personas que eran geniales con las viejas herramientas (pinceles, cámaras, Adobe Illustrator) se les agradecerá su servicio y se les convertirá en Soylent.

Inteligencia Empresarial de Marca Blanca

El BI embebido o integrado se está convirtiendo rápidamente en el estándar para el análisis de datos en las empresas. Esto se debe a que ofrece muchas ventajas con respecto a la inteligencia empresarial tradicional, como una mayor adopción, la toma de decisiones basada en datos, la elaboración de informes de autoservicio y la mejora de la eficiencia y la productividad. Se ofrece, entre otras informaciones, las características a tener en cuenta al seleccionar una solución EBI.

Modelo de Negocio de Inteligencia Empresarial para Abogados

Modelo de Negocio de Inteligencia Empresarial para Abogados Este texto se ocupa del Modelo de Negocio de Inteligencia Empresarial para Abogados. Las empresas de Inteligencia Empresarial (BI) venden a sus clientes licencias de software para sus productos. Otras fuentes de ingresos son los servicios de soporte y consultor√≠a. Por lo general, el pan de cada … Leer m√°s

Google

El r√°pido crecimiento de Google desde su constituci√≥n ha culminado con una serie de otros productos, adquisiciones y asociaciones que van m√°s all√° de su n√ļcleo inicial como motor de b√ļsqueda. La empresa ofrece software de productividad en l√≠nea, como el programa de correo electr√≥nico Gmail, y herramientas de redes sociales, como el fallido Google+ y los descatalogados Google Buzz y Orkut. Los productos de Google se extienden al escritorio, con aplicaciones como el navegador Google Chrome, el programa de organizaci√≥n de edici√≥n de fotos Picasa y la aplicaci√≥n de mensajer√≠a instant√°nea Google Talk. Cabe destacar que Google tambi√©n lidera el desarrollo del sistema operativo m√≥vil para smartphones Android, utilizado en tel√©fonos de marcas como Samsung, Motorola, LG, HTC, Huawei y Xiaomi. Google+ nunca lleg√≥ a suplantar a Facebook, y el servicio dej√≥ de funcionar en 2019. Ha estado Google envuelta en importantes controversias, como los casos de asedio sexual, las acusaciones de monopolio y su presunta evasi√≥n de impuestos.

Redes Neuronales Artificiales

Los clasificadores polin√≥micos pueden modelar superficies de decisi√≥n de cualquier forma; sin embargo, su utilidad pr√°ctica es limitada debido a la facilidad con la que superan a los ruidosos datos de entrenamiento y al n√ļmero a veces poco pr√°ctico de par√°metros entrenables. Mucho m√°s populares son las redes neuronales artificiales, en las que muchas unidades simples, denominadas neuronas, est√°n interconectadas por enlaces ponderados en estructuras m√°s grandes de notable rendimiento. El campo de las redes neuronales es muy rico, y aqu√≠ nos centraremos en dos tipos populares: los perceptrones multicapa y las redes de funci√≥n de base radial. En el texto se describe c√≥mo cada una de ellas clasifica los ejemplos, y luego se describen algunos mecanismos elementales para inducirlas a partir de los datos de formaci√≥n.

Inteligencia Artificial Operativa

Este texto se ocupa de la inteligencia artificial operativa. Este texto tambi√©n describe c√≥mo hacer que la IA se ampl√≠e o escale. Una conclusi√≥n es que no intente cambiar todo a la vez, pero empiece por algo importante. La mayor√≠a de las empresas se esfuerzan por aprovechar el potencial de la inteligencia artificial para transformar por completo su forma de hacer negocios. El problema es que suelen aplicar la IA en una larga lista de usos discretos, un enfoque que no produce un cambio consecuente. Sin embargo, tratar de reformar toda la organizaci√≥n con IA de una vez es simplemente demasiado complicado para ser pr√°ctico. ¬ŅCu√°l es la soluci√≥n? Utilizar la IA para reimaginar todo un proceso, un viaje o una funci√≥n de la empresa de principio a fin. Esto permite que cada esfuerzo de IA se base en el anterior, por ejemplo, reutilizando datos o mejorando las capacidades para un conjunto com√ļn de partes interesadas. La ampliaci√≥n o escala de la IA implica cuatro pasos: (1) Identificar un √°rea en la que la IA marcar√° una gran diferencia con razonable rapidez y en la que existen m√ļltiples actividades interconectadas y oportunidades para compartir tecnolog√≠a. (2) Dotar al equipo de las personas adecuadas y eliminar los obst√°culos para su √©xito. (3) Reimaginar el negocio como de costumbre, trabajando a partir de un objetivo clave y luego explorando en detalle c√≥mo lograrlo. (4) Apoyar los nuevos procesos basados en la IA con cambios organizativos, como la colaboraci√≥n interdisciplinar y la mentalidad √°gil. Habr√° una inversi√≥n inicial para el primer modelo o dos creados, pero con el tiempo los nuevos proyectos pueden basarse en los anteriores, reduciendo dr√°sticamente el tiempo y el coste de desarrollo. Los equipos deben considerar el impacto potencial que las iniciativas de IA tendr√°n en los procesos anteriores y posteriores y aplicar medidas para solucionarlo.

Aprendizaje No Supervisado

El texto describe algunas t√©cnicas pr√°cticas para el aprendizaje no supervisado, explicando los algoritmos b√°sicos, sus comportamientos en circunstancias pr√°cticas y los beneficios que ofrecen. Mientras que el aprendizaje supervisado se centra en la inducci√≥n de los clasificadores, el aprendizaje no supervisado est√° interesado en descubrir propiedades √ļtiles de los datos disponibles. Tal vez la tarea m√°s popular sea la de buscar grupos (llamados clusters) de ejemplos similares. Los centroides de estos grupos pueden ser utilizados como centros gausianos para los clasificadores Bayesianos o RBF, como predictores de valores de atributos desconocidos, e incluso como herramientas de visualizaci√≥n de datos multidimensionales. Por √ļltimo, pero no menos importante, las t√©cnicas utilizadas en el aprendizaje no supervisado pueden utilizarse para crear atributos de nivel superior a partir de los ya existentes.

Asistentes de Voz

Cabe preguntar lo que Amazon realmente gana con la existencia de Alexa. ¬ŅQu√© hacen los consumidores con estos dispositivos que ayude a Amazon? ¬ŅQu√© beneficio estrat√©gico fundamental obtiene? Amazon ha colocado un dispositivo en decenas de millones de hogares: ¬Ņqu√© hace con √©l? En el ordenador de sobremesa, hab√≠a l√≠mites bastante estrechos en lo que un navegador web pod√≠a hacer para controlar los modelos econ√≥micos y los modelos de interacci√≥n de los sitios web. En un smartphone, la gesti√≥n de todo, desde los permisos del sistema hasta las aplicaciones por defecto, pasando por las notificaciones y los modelos de interacci√≥n (por no hablar de las compras dentro de la aplicaci√≥n), significa que Apple y Android tienen un control mucho m√°s directo de lo que pueden hacer las empresas que utilizan estos dispositivos para llegar a los clientes. Aqu√≠ es donde Amazon quiere entrar.

√Ārbol de Decisi√≥n

El √°rbol de decisi√≥n es la herramienta m√°s poderosa y popular para la clasificaci√≥n y predicci√≥n. (Tal vez sea de inter√©s m√°s investigaci√≥n sobre el concepto). Un √°rbol de decisi√≥n es un diagrama de flujo como una estructura de √°rbol, donde cada nodo interno denota una prueba sobre un atributo, cada rama representa un resultado de la prueba, y cada nodo de hoja (nodo terminal) tiene una etiqueta de clase. Un √°rbol puede “aprenderse” dividiendo el conjunto de fuentes en subconjuntos bas√°ndose en una prueba de valor de atributo. Este proceso se repite en cada subconjunto derivado de una manera recursiva llamada partici√≥n recursiva. La recursi√≥n se completa cuando el subconjunto de un nodo tiene el mismo valor de la variable objetivo, o cuando la divisi√≥n ya no a√Īade valor a las predicciones. La construcci√≥n del clasificador de √°rbol de decisi√≥n no requiere ning√ļn conocimiento de dominio o parametrizaci√≥n, y por lo tanto es apropiado para el descubrimiento de conocimiento exploratorio. Los √°rboles de decisi√≥n pueden manejar (gestionar) datos de gran tama√Īo. En general, el clasificador de √°rboles de decisi√≥n tiene una buena precisi√≥n. (Tal vez sea de inter√©s m√°s investigaci√≥n sobre el concepto). La inducci√≥n de √°rboles de decisi√≥n es un enfoque inductivo t√≠pico para aprender conocimientos sobre clasificaci√≥n. (Tal vez sea de inter√©s m√°s investigaci√≥n sobre el concepto). Los √°rboles de decisi√≥n clasifican las instancias clasific√°ndolas desde la ra√≠z del √°rbol hasta alg√ļn nodo de hoja, lo que proporciona la clasificaci√≥n de la instancia. Una instancia se clasifica comenzando en el nodo ra√≠z del √°rbol, probando el atributo especificado por este nodo, luego bajando por la rama del √°rbol correspondiente al valor del atributo como se muestra en la figura de arriba, este proceso se repite para el sub√°rbol arraigado en el nuevo nodo.

Sesgos en los Sistemas Comerciales de Inteligencia Artificial

Sesgos en los Sistemas Comerciales de Inteligencia Artificial Este elemento es una expansi√≥n del contenido de los cursos y gu√≠as de Lawi. Ofrece hechos, comentarios y an√°lisis sobre este tema. Sesgo de G√©nero y Tipo de Piel en los Sistemas Comerciales de Inteligencia Artificial Tres programas de an√°lisis facial comercialmente lanzados por las principales compa√Ī√≠as … Leer m√°s

Supervisión Corporativa de la Inteligencia Artificial

Como en muchos otros aspectos de la tecnología, la IA se está volviendo indispensable para las empresas que se centran en el crecimiento a largo plazo y la generación de valor. La IA también está aumentando el impacto de los riesgos de los datos y generando nuevos riesgos, como los de las consecuencias imprevistas. Una supervisión y orientación adecuadas por parte de la junta puede ayudar a identificar, evaluar y gestionar esos riesgos.

Inteligencia Artificial

La inteligencia artificial (AI) ya no es ciencia ficci√≥n. (Tal vez sea de inter√©s m√°s investigaci√≥n sobre el concepto). Desde los coches conductores hasta el uso de algoritmos de aprendizaje de m√°quinas para mejorar los servicios de salud y la industria financiera, la AI y los algoritmos est√°n moldeando nuestras pr√°cticas diarias y un n√ļmero de […]

Oscura Naturaleza de la Inteligencia Artificial

Nadie sabe realmente cómo los algoritmos más avanzados hacen lo que hacen. Eso podría ser un problema.
Por muy buenas que sean las predicciones del aprendizaje profundo, nadie sabe cómo llega a sus conclusiones. Este hecho está empezando a generar un problema de confianza y las herramientas para resolverlo no están ayudando demasiado. Pero tal vez así es la propia naturaleza de la inteligencia artificial.

Usos de los Vehículos Autónomos

Un vehículo autónomo -también conocido como coche autoconductor, sin conductor o robótico- es un tipo de vehículo terrestre que no requiere un humano para controlar su funcionamiento. Esos vehículos pueden percibir el medio ambiente circundante de manera independiente y tomar decisiones de conducción sin ayuda de insumos externos. Como resultado, no es necesario un conductor físico. Los investigadores han estudiado detenidamente las posibles ventajas y desventajas de los vehículos autónomos, pero el consenso sigue siendo dividido en cuanto a si los vehículos autónomos serían más beneficiosos o más perjudiciales para la sociedad. En lo que respecta a las ventajas, los vehículos autónomos tienen el potencial de reducir los accidentes de tráfico resultantes de errores humanos y podrían reducir las muertes y lesiones anuales de los automóviles, así como los gastos de salud conexos.

Evaluaci√≥n del Desempe√Īo

Esta entrada se ocupa de la cuesti√≥n de c√≥mo comparar la idoneidad de las t√©cnicas alternativas de aprendizaje autom√°tico para la inducci√≥n en un dominio determinado. Dividir el conjunto de ejemplos preclasificados al azar en dos subconjuntos (uno para la inducci√≥n, el otro para la prueba) puede no ser lo mejor, especialmente si el conjunto de formaci√≥n es peque√Īo; la divisi√≥n aleatoria puede entonces dar lugar a subconjuntos que no representen adecuadamente el dominio dado. Para obtener resultados m√°s fiables, es necesario repetir las ejecuciones aleatorias. En el presente texto se abordan ambas cuestiones, explicando criterios alternativos para cuantificar el rendimiento (v√©ase una definici√≥n en el diccionario y m√°s detalles, en la plataforma general, sobre rendimientos) de los clasificadores y luego se examinan algunas estrategias utilizadas com√ļnmente en la evaluaci√≥n experimental de los algoritmos de aprendizaje por m√°quina.

Vehículos Autónomos

En esta entrada proporcionamos una visión general de las tendencias emergentes y los desafíos en el campo de los vehículos inteligentes y autónomos, o auto-conducidos. Los avances recientes en el campo de la percepción, la planificación (véase más en esta plataforma general) y la toma de decisiones para vehículos autónomos han llevado a grandes mejoras en las capacidades funcionales, con varios prototipos que ya están circulando en nuestras carreteras y calles. Sin embargo, siguen existiendo desafíos con respecto al rendimiento (véase una definición en el diccionario y más detalles, en la plataforma general, sobre rendimientos) y la seguridad garantizados en todas las circunstancias de conducción. (Tal vez sea de interés más investigación sobre el concepto). Por ejemplo, se requieren métodos de planificación (véase más en esta plataforma general) que proporcionen un rendimiento (véase una definición en el diccionario y más detalles, en la plataforma general, sobre rendimientos) seguro y compatible con el sistema en entornos complejos y abarrotados mientras se modela la interacción incierta con otros participantes del tráfico. Además, los nuevos paradigmas, como la planificación (véase más en esta plataforma general) interactiva y el aprendizaje de extremo a extremo, abren preguntas sobre seguridad y confiabilidad que deben abordarse. En esta encuesta, enfatizamos los enfoques recientes para la percepción y planificación (véase más en esta plataforma general) integradas y para la planificación (véase más en esta plataforma general) consciente del comportamiento, muchas de las cuales se basan en el aprendizaje automático. Esto plantea la cuestión de la verificación y la seguridad, que también tratamos. También discutimos el estado del arte y los desafíos pendientes para el manejo de flotas de vehículos autónomos.

Algoritmo Genético

La esencia del aprendizaje autom√°tico es la b√ļsqueda de la mejor soluci√≥n a nuestro problema: encontrar un clasificador que clasifique de la forma m√°s correcta posible no solo los ejemplos de formaci√≥n, sino tambi√©n los ejemplos futuros. En otro lugar se explic√≥ el principio de una de las t√©cnicas de b√ļsqueda basadas en la IA m√°s populares, la llamada “escalada”, y se mostr√≥ c√≥mo puede utilizarse en la inducci√≥n del clasificador. Existe otro enfoque de b√ļsqueda: el Algoritmo Gen√©tico, inspirado en los principios de la evoluci√≥n darwiniana. El lector debe familiarizarse con √©l porque la t√©cnica puede ser muy √ļtil para tratar diversos problemas de aprendizaje de las m√°quinas. Este texto presenta la versi√≥n de base de este tema.

Aprendizaje Automatizado

Como dicen, una imagen, un ejemplo, vale m√°s que mil palabras. Esto es lo que queremos que nuestra tecnolog√≠a emule. Incapaz de definir ciertos objetos o conceptos con la precisi√≥n adecuada, queremos transmitirlos a la m√°quina a trav√©s de ejemplos. Sin embargo, para que esto funcione, la computadora debe ser capaz de convertir los ejemplos en conocimiento. De ah√≠ nuestro inter√©s en los algoritmos y t√©cnicas para el aprendizaje de la m√°quina, el tema de este texto. Aqu√≠ se formula la tarea como un problema de b√ļsqueda, introduciendo la b√ļsqueda de escalada no solo como nuestro intento preliminar de abordar la tarea de aprendizaje de la m√°quina, sino tambi√©n como una herramienta que ser√° √ļtil en algunos problemas auxiliares que se encontrar√°n en este √°mbito, incluido otras entradas relacionadas. Establecidos as√≠ los fundamentos, procederemos a cuestiones tales como los criterios de rendimiento, la metodolog√≠a experimental y ciertos aspectos que hacen que el proceso de aprendizaje sea dif√≠cil e interesante. El aprendizaje profundo permite que los modelos computacionales que se componen de m√ļltiples capas de procesamiento aprendan representaciones de datos con m√ļltiples niveles de abstracci√≥n. (Tal vez sea de inter√©s m√°s investigaci√≥n sobre el concepto). Estos m√©todos han mejorado dram√°ticamente el estado del arte en reconocimiento de voz, reconocimiento visual de objetos, detecci√≥n de objetos y muchos otros dominios como el descubrimiento de drogas y la gen√≥mica. El aprendizaje profundo descubre la intrincada estructura de los grandes conjuntos de datos utilizando el algoritmo de retropropagaci√≥n para indicar c√≥mo una m√°quina debe cambiar sus par√°metros internos que se utilizan para computar la representaci√≥n en cada capa a partir de la representaci√≥n en la capa anterior. Las redes convolucionales profundas han producido avances en el procesamiento de im√°genes, v√≠deo, voz y audio, mientras que las redes recurrentes han hecho brillar la luz sobre datos secuenciales como el texto y el habla.

LingoChamp

LingoChamp Este elemento es una ampliaci√≥n de los cursos y gu√≠as de Lawi. Ofrece hechos, comentarios y an√°lisis sobre este tema. LingoChamp: Inteligencia Artificial en una aplicaci√≥n de consumo, proporcionando educaci√≥n asequible Inteligencia Artificial Imag√≠nese un tutor de ingl√©s que pueda darle retroalimentaci√≥n sobre la pronunciaci√≥n, gram√°tica, vocabulario y fluidez en general – ese tipo … Leer m√°s

Inteligencia Artificial para Contratar Trabajadores

Inteligencia Artificial para Contratar Trabajadores Este elemento es una profundizaci√≥n de los cursos y gu√≠as de Lawi. Ofrece hechos, comentarios y an√°lisis sobre este tema. Nota: puede ser de inter√©s la informaci√≥n sobre los riesgos de la inteligencia artificial. Riesgos Legales del Uso de la Inteligencia Artificial para Contratar Trabajadores Las innovaciones y los avances … Leer m√°s

Inteligencia Artificial en la Seguridad P√ļblica

Sabemos que la inteligencia artificial cambiar√° la naturaleza misma de la seguridad p√ļblica y de la guerra, pero no sabemos c√≥mo. Los Estados Unidos, China y otras potencias reconocen este potencial transformador y, aun cuando tratan de explotarlo, temen que otros ganen la delantera en una carrera de armamentos de inteligencia artificial. En esta entrada, se describe c√≥mo la inteligencia artificial podr√≠a producir un nuevo dilema de seguridad y propone varias formas de mitigar el riesgo. La inteligencia artificial se cierne sobre el campo de batalla y puede encarnarse en los m√°s diversos ingenios b√©licos con consecuencias perniciosas.

Avance Tecnológico

Tecnolog√≠as como los robots, la inteligencia artificial y el aprendizaje de las m√°quinas evolucionan a paso veloz. Estos avances pueden mejorar la rapidez, la calidad y los costes (o costos, como se emplea mayoritariamente en Am√©rica) de bienes y servicios, pero tambi√©n dejar sin empleo a un gran n√ļmero de trabajadores. Dicha posibilidad pone en tela de juicio el modelo tradicional de prestaciones, seg√ļn el cual la cobertura sanitaria y las pensiones est√°n ligadas al empleo. En una econom√≠a que requiere muchos menos trabajadores, necesitamos pensar en c√≥mo garantizar prestaciones a los desempleados. Si en el futuro la automatizaci√≥n va a restar seguridad laboral, tienen que existir prestaciones no ligadas al empleo. La ¬ęflexiguridad¬Ľ o seguridad flexible es una de las v√≠as posibles para garantizar el acceso a la sanidad, la educaci√≥n y la vivienda a personas sin un empleo fijo. Adem√°s, las cuentas de producci√≥n por ramas de actividad pueden costear la formaci√≥n continuada y el reciclaje profesional. Da igual c√≥mo elijan los individuos emplear su tiempo, tienen que poder llevar vidas plenas aun cuando la sociedad precise menos trabajadores.