AL-BAYAN البيان

NOVEDADES Y PRÁCTICAS

IA: entiende lo que cambia

Lee el anuncio original, entiende para qué sirve y prueba un ejercicio propio de Al-Bayan. Cada noticia conserva la fecha de su anuncio.

NovedadGoogle

Google despliega Universal Cart en Estados Unidos para reunir compras de varias tiendas

Google anunció el 15 de octubre el despliegue de Universal Cart en Estados Unidos, en la Búsqueda y la aplicación Gemini. Reúne productos de varias tiendas, avisa de cambios de precio o reposición y muestra promociones. Con comercios compatibles permite pagar mediante Google Pay o continuar en la tienda; el comerciante conserva la venta y la atención al cliente. El anuncio no confirma acceso en España o Marruecos ni concreta cuotas o planes. Esta publicación no acredita disponibilidad en nuestra cuenta.

Cómo aprovecharlo · prueba el ejercicio

Para estudiar la futura tienda de Al-Bayan, interesa cómo se conserva la identidad del vendedor cuando la compra comienza en un asistente. Un carrito compartido no implica que todos los productos tengan el mismo envío, devolución o servicio de atención. Antes de valorar una integración, habría que comprobar compatibilidad, países y condiciones por comercio. No se ha conectado la tienda.

Ejercicio Al-Bayan

Actividad original propuesta y pendiente: prepara cuatro fichas ficticias de libros y material de oficina de tres comercios, con precio, envío, plazo y devolución distintos. Diseña una pantalla de revisión que identifique al vendedor y calcule el total completo de cada pedido. Introduce una bajada de precio y un producto agotado; explica qué cambiarías sin confirmar ninguna compra. Compara las versiones española y árabe. Es una propuesta para reforzar el curso, aún no incorporada.

Verificado el

Leer la fuente oficial · Google
NovedadMeta

Muse Spark Open: pesos descargables, con requisitos locales elevados

Meta publicó el 15 de octubre los pesos de Muse Spark Open, un modelo multimodal para programación y tareas de agentes, disponible también mediante proveedores de API. La ejecución de escritorio descrita utiliza dos Mac Studio M5 Ultra y MLX; no acredita funcionamiento en cualquier portátil. Los pesos se ofrecen bajo Muse Model License con condiciones comerciales limitadas, no con permiso irrestricto. No se han verificado precios ni acceso por país.

Cómo aprovecharlo · prueba el ejercicio

Para Al-Bayan, disponer de pesos no equivale a tener una solución gratuita lista para usar. Antes de elegir una instalación local, hay que comprobar licencia, equipo, consumo y mantenimiento. Tampoco debe darse por hecho que todo un flujo permanece en el dispositivo: sus herramientas podrían enviar datos fuera. Propuesta propia: comparar alternativas con una tarea pequeña y documentos ficticios antes de comprar hardware o conectar cuentas.

Ejercicio Al-Bayan

Prueba pendiente: prepara ocho fichas ficticias de libros y define una salida bilingüe con título, categoría y un dato ausente marcado como desconocido. Compara una opción alojada y, solo si ya cuentas con equipo compatible y autorización, una local. Registra exactitud, coste, tiempo de revisión, permisos y destinos de datos. Si no puedes ejecutar la opción local, déjala como no probada; no compres equipo para completar este ejercicio. No se han medido resultados.

Verificado el

Leer la fuente oficial · Meta
NovedadMistral AI

Timestral: modelos de Mistral para hacer previsiones numéricas en CPU

Mistral ha publicado Timestral, cuatro modelos de 5 a 209 millones de parámetros para prever series temporales con incertidumbre. El repositorio oficial permite ejecutarlos en CPU o GPU y enlaza los pesos descargables. El código usa Apache 2.0 y los pesos una licencia Modified MIT. Forge ofrece adaptación empresarial, pero el anuncio no concreta sus tarifas ni restricciones regionales. Los resultados comparativos son evaluaciones de Mistral, no garantías para otros datos.

Cómo aprovecharlo · prueba el ejercicio

Para Al-Bayan, una aplicación posible sería estimar inscripciones semanales o demanda de libros cuando exista un historial suficiente y fiable. Primero conviene comparar con una previsión sencilla y comprobar errores, datos ausentes y cambios de tendencia. Un resultado numérico no autoriza a comprar mercancía ni a comprometer presupuesto. La descarga requiere instalación técnica; esta publicación no acredita una prueba local ni una integración en la tienda.

Ejercicio Al-Bayan

Prueba pendiente: prepara 56 semanas ficticias de inscripciones y oculta las ocho últimas. Con las primeras 48, compara una previsión de ocho semanas de Timestral con repetir el último valor observado. Calcula el error absoluto medio al descubrir los ocho datos reservados y revisa la amplitud de la incertidumbre. Documenta versión, equipo y tiempo. No uses resultados inventados para concluir que el modelo mejora la referencia.

Verificado el

Leer la fuente oficial · Mistral AI
Volver a Aprender
Escudo de Kutab al-BayanVolver a la página principal