Las 4 principales barreras de IA: Weights and Biases y NVIDIA NeMo

Los fallos de seguridad en IA son costosos y cada vez más comunes. Muchos incidentes provienen de una gobernanza débil, especialmente brechas en el control de acceso, permisos de datos y supervisión del uso del modelo.

Las barreras de IA reducen este riesgo al establecer límites exigibles sobre cómo los sistemas de IA acceden a datos, generan resultados e interactúan con usuarios o flujos de trabajo empresariales.

Descubre cómo funcionan las barreras de IA, su arquitectura y contra qué tipos de amenazas protegen.

Las 4 principales barreras de IA

Nota: La tabla está ordenada alfabéticamente, excepto por nuestro patrocinador en la parte superior, que incluye sus enlaces.

Comparación de características

Weights & Biases Guardrails

Weights & Biases Guardrails forma parte de la plataforma de observabilidad Weave y está diseñada para equipos que desean una seguridad de IA estrechamente integrada con el monitoreo del rendimiento del sistema y los flujos de trabajo de evaluación.

Las barreras se implementan como "scorers" que envuelven funciones de IA. Estos scorers pueden ejecutarse de forma sincrónica para bloquear resultados dañinos o de forma asincrónica para permitir un monitoreo continuo.

• Detección de toxicidad en múltiples dimensiones, como raza, género, religión y violencia.
• Detección de información sensible e información de identificación personal mediante Microsoft Presidio.
• Detección de alucinaciones para resultados engañosos en contenido generado por IA.
• Integración con flujos de recuperación, llamadas a herramientas y datos estructurados.
• Soporta controles de acceso y umbrales configurables para reducir falsos positivos.

¿Cuáles son las limitaciones de Weights & Biases Guardrails?

• El ecosistema sigue siendo principalmente Python-first, pero a partir de enero de 2026, Weave incluye ejemplos de incorporación en TypeScript en la aplicación.
• Los monitores se ejecutan en un entorno administrado, que puede no adecuarse a todos los controles de seguridad o modelos de implementación.
  • En Self-Managed, los clientes ahora pueden agregar paneles de Weave a espacios de trabajo y hacer referencia a artefactos de W&B en rastros de Weave (anteriormente disponibles solo en Dedicated Cloud), mejorando la paridad para necesidades de seguridad/implementación autohospedadas.

Figura 1: Esta imagen muestra Weights & Biases Guardrails visualizando un rastro de conversación de LLM, donde cada llamada al modelo es evaluada por múltiples scorers automatizados (como toxicidad, discurso de odio, PII y veracidad) para monitorear el comportamiento y la seguridad de IA en un flujo de trabajo de agente de soporte.

Llama Guard

Llama Guard es un modelo clasificador de seguridad de pesos abiertos que puede autohospedarse o implementarse a través de proveedores de nube. A diferencia de los servicios basados en API, opera como un modelo de lenguaje que clasifica conversaciones directamente.

El modelo recibe una conversación con formato y genera una etiqueta de "seguro" o "inseguro" junto con códigos de categoría. Este diseño permite integrarlo en cualquier parte del flujo de implementación de IA, incluidos entornos de borde.

• Detecta 14 categorías, incluyendo discurso de odio, violaciones de privacidad, consejos peligrosos y desinformación electoral.
• Soporta ajuste fino mediante adaptadores LoRA para riesgos específicos del dominio.
• Puede implementarse localmente para proteger datos sensibles y datos propietarios.
• Adecuado para organizaciones preocupadas por fugas de datos y costos de violaciones.

¿Cuáles son las limitaciones de Llama Guard?

• Sin detección nativa de PII o exposición de datos sensibles sin herramientas adicionales.
• El rendimiento puede degradarse para categorías que requieren conocimiento en tiempo real.
• Susceptible a técnicas adversarias sin controles de seguridad complementarios.

Figura 2: Gráfico que muestra instrucciones para la clasificación de indicaciones y respuestas de Llama Guard.¹

NVIDIA NeMo Guardrails

NVIDIA NeMo Guardrails es un marco programable diseñado para empresas que necesitan control detallado sobre agentes de IA, conversaciones de múltiples turnos y flujos de trabajo críticos.

El sistema introduce múltiples "rails" que operan en diferentes etapas del flujo de IA, incluyendo entrada, salida, diálogo, recuperación y ejecución. Los desarrolladores definen el comportamiento mediante Colang, un lenguaje específico del dominio que impone controles procedimentales y reglas de conversación.

• Control detallado sobre el comportamiento del modelo y flujos de diálogo.
• Soporte integrado para detección de jailbreak y mitigación de inyección de indicaciones. NeMo Guardrails v0.20.0 introdujo las siguientes actualizaciones:
  • Modelos de seguridad de contenido con capacidad de razonamiento: Soporte para modelos de seguridad habilitados para razonamiento (por ejemplo, Nemotron content-safety reasoning), incluyendo explicabilidad configurable /think para decisiones de seguridad.
  • Seguridad de contenido multilingüe: Detección automática de idioma con soporte para modelos de seguridad multilingües y mensajes de rechazo configurables por idioma para respuestas localizadas.
  • Detección de PII: Detección de PII basada en GLiNER, que cubre entidades como nombres, direcciones de correo electrónico, números de teléfono, SSN y datos sensibles similares.
• Diseñado para aplicaciones de IA que deben alinearse con marcos de cumplimiento como la Ley de IA de la UE.
• Adecuado para programas de gobernanza de IA que requieren evaluaciones de conformidad y supervisión humana.

¿Cuáles son las limitaciones de NVIDIA NeMo Guardrails?

• Con su última versión, la configuración de nivel superior streaming ha sido eliminada. La transmisión ahora debe configurarse exclusivamente mediante rails.output.streaming.enabled, lo que requiere actualizaciones en configuraciones existentes.
• Requiere más esfuerzo de ingeniería e infraestructura que herramientas basadas en API.
• Los mecanismos de autocomprobación dependen de los modelos de IA subyacentes y los datos de entrenamiento.
• Mayor complejidad operativa en comparación con clasificadores sin estado.

Consulta el siguiente video para aprender cómo funciona NeMo Guardrails.

OpenAI Moderation API

OpenAI Moderation API es un servicio de clasificación sin estado diseñado para identificar contenido dañino en resultados generados por IA. Se utiliza comúnmente como referencia para barreras de IA en aplicaciones de IA generativa basadas en modelos de lenguaje grandes.

La API se accede a través de un punto final REST. Se envían textos o imágenes y el sistema devuelve indicadores booleanos y puntuaciones de probabilidad para cada categoría de seguridad. Estas puntuaciones permiten a los equipos definir su propia tolerancia al riesgo estableciendo umbrales en lugar de depender de reglas fijas.

• Detecta un conjunto ampliado de categorías de contenido dañino mediante el modelo omni-moderation-latest (basado en GPT-4o), que cubre entradas de texto e imagen. Esto amplía la cobertura de moderación más allá de las 13 categorías de daño originales, como discurso de odio, violencia, contenido sexual, automutilación y actividades ilícitas.
• La puntuación basada en probabilidades permite mecanismos de monitoreo además del bloqueo estricto.

¿Cuáles son las limitaciones de OpenAI Moderation API?

• Sin soporte para ajuste fino o categorías personalizadas.
• No detecta información de identificación personal ni exposición de datos sensibles.
• Es más adecuado para casos de uso estándar de IA con requisitos normativos limitados y necesidades de implementación rápida.

¿Qué son las barreras de IA?

Las barreras de IA son el conjunto de controles técnicos y procedimentales que definen cómo se permite que los sistemas de inteligencia artificial se comporten. Su función es mantener a los modelos de IA, incluidos modelos de lenguaje grandes y otras tecnologías de IA generativa, dentro de límites aceptables establecidos por organizaciones, reguladores y normas sociales.

En lugar de actuar como un solo filtro, las barreras de IA operan durante todo el ciclo de vida completo de la IA, desde los datos de entrenamiento y el comportamiento del modelo hasta la implementación, el monitoreo y la supervisión humana. Están diseñadas para reducir el riesgo de IA al prevenir resultados inseguros o engañosos, proteger datos sensibles y asegurar que el uso de IA se alinee con los requisitos normativos y las políticas internas.

En la práctica, las barreras de IA moldean cómo los sistemas de IA responden a indicaciones de usuario, qué datos pueden acceder las herramientas de IA y qué acciones los agentes de IA tienen permitido realizar en flujos de trabajo críticos.

¿Cómo funcionan?

Las barreras de IA funcionan aplicando controles en múltiples puntos del ciclo de vida de la IA, reconociendo que los sistemas de IA no se comportan de manera determinista y que la misma entrada puede no producir siempre la misma salida. Debido a esta variabilidad, las barreras dependen de verificaciones en capas en lugar de un solo punto de cumplimiento. En términos generales, las barreras operan mediante:

Alineación previa a la implementación:

• Los datos de entrenamiento se revisan para reducir el sesgo, eliminar información sensible y asegurar la relevancia para el caso de uso previsto.
• Se utilizan técnicas como Aprendizaje por Refuerzo a partir de Retroalimentación Humana (RLHF) para influir en el comportamiento del modelo y alinear los resultados generados por IA con las expectativas humanas y estándares éticos.
• Los criterios de aceptación definen qué constituye un comportamiento aceptable e inaceptable antes de la implementación de IA.

Aplicación en tiempo de ejecución:

• Las indicaciones de usuario se inspeccionan para detectar inyección de indicaciones, contenido inseguro o intentos de eludir restricciones.
• Los controles de acceso limitan qué fuentes de datos, herramientas y acciones pueden usar los agentes de IA.
• En flujos de trabajo que dependen de Generación Aumentada por Recuperación (RAG), las fuentes de conocimiento externas se restringen a conjuntos de datos confiables para mejorar la precisión y reducir resultados engañosos.

Validación posterior a la generación:

• Se verifica el contenido generado por IA para detectar resultados dañinos, exposición de datos sensibles y violaciones normativas.
• El contenido marcado puede bloquearse, corregirse o escalarse para supervisión humana.
• Los mecanismos de monitoreo registran decisiones y resultados para apoyar auditorías, evaluaciones de riesgo y mejoras continuas.

En conjunto, estas capas aseguran que las barreras funcionen como un sistema adaptable que evoluciona a medida que cambian el comportamiento de la IA, los patrones de uso y las amenazas.

Arquitectura de barreras

La arquitectura de barreras define cómo se organizan los controles en los sistemas de IA para gestionar el riesgo de manera consistente y a escala. En lugar de tratar las barreras como complementos, las organizaciones cada vez más las diseñan en un sistema de gestión de IA. Un patrón arquitectónico común incluye:

Capa de control de entrada

• Evalúa las indicaciones de usuario y los datos entrantes.
• Detecta contenido inseguro, inyección de indicaciones y entradas mal formadas.

Capa de modelo y recuperación

• Restringe el comportamiento del modelo durante la inferencia.
• Sustenta las respuestas de IA mediante fuentes de conocimiento aprobadas, como flujos de trabajo de generación aumentada por recuperación.
• Monitorea métricas de rendimiento y desviaciones de comportamiento.

Capa de validación de salida

• Revisa los resultados generados por IA para detectar contenido dañino, resultados engañosos o información sensible.
• Aplica lógica de redacción, bloqueo o corrección.

Capa de coordinación y supervisión

• Orquesta verificaciones entre capas e impone criterios de aceptación.
• Registra decisiones para auditorías y evaluaciones de conformidad.
• Escalona casos de alto riesgo a supervisión humana.

Los tipos de barreras de IA

Las barreras de IA se pueden agrupar según dónde intervienen en los sistemas de IA y los riesgos que están diseñadas para gestionar. En la práctica, las organizaciones confían en múltiples tipos a la vez, ya que ninguna barrera única puede abordar todos los posibles daños.

Barreras a nivel de datos

Las barreras a nivel de datos se centran en las entradas utilizadas para entrenar y operar sistemas de IA. Dado que los datos de entrenamiento influyen fuertemente en el comportamiento del modelo, las debilidades en esta etapa a menudo se propagan hacia abajo.

Estas barreras generalmente incluyen:

• Revisión de datos de entrenamiento para eliminar información sensible e información de identificación personal.
• Aplicación de reglas de privacidad de datos para evitar que datos propietarios se reutilicen inadecuadamente.
• Reducción del sesgo en conjuntos de datos que podrían afectar los resultados generados por IA.
• Aplicación de políticas sobre cómo se pueden acceder datos estructurados y no estructurados.

Las barreras de datos ayudan a asegurar que los modelos de IA dependan de entradas confiables al revisar conjuntos de datos y verificar la calidad y adecuación de los datos de entrenamiento.

Barreras de modelo

Las barreras de modelo operan directamente sobre modelos de IA y modelos de lenguaje durante el entrenamiento, ajuste fino e inferencia. Su objetivo es moldear y monitorear el comportamiento del modelo para que los resultados permanezcan dentro de límites definidos.

Las barreras de modelo comunes incluyen:

• Técnicas de alineación que influyen en cómo los modelos responden a indicaciones de usuario.
• Métricas de rendimiento que rastrean precisión, latencia, toxicidad y fiabilidad.
• Detección de alucinaciones o resultados engañosos durante la inferencia.
• Monitoreo de desviaciones de comportamiento después de la implementación.

Las barreras de modelo son especialmente importantes para modelos de lenguaje grandes, donde la misma entrada puede producir diferentes resultados dependiendo del contexto. Al observar continuamente el comportamiento del modelo, las organizaciones pueden identificar riesgos emergentes temprano y ajustar controles antes de que los problemas afecten a los usuarios.

Barreras a nivel de aplicación

Las barreras a nivel de aplicación gobiernan cómo las aplicaciones de IA interactúan con usuarios y sistemas posteriores. Estos controles se sitúan entre los modelos de IA y el uso en el mundo real.

Generalmente implican:

• Filtrado de contenido generado por IA antes de que se entregue a los usuarios.
• Validación de indicaciones de usuario para prevenir mal uso o contenido inseguro.
• Aplicación de reglas comerciales específicas para un caso de uso o flujo de trabajo.
• Manejo de contenido marcado mediante bloqueo, redacción o escalado.

Las barreras a nivel de aplicación son particularmente relevantes en herramientas de IA orientadas al cliente, donde resultados inseguros o engañosos pueden afectar rápidamente la confianza.

Barreras de infraestructura

Las barreras de infraestructura proporcionan la base técnica que soporta la implementación segura de IA. En lugar de centrarse en el contenido, gestionan cómo se ejecutan los sistemas de IA y quién puede acceder a ellos.

Las barreras clave de infraestructura incluyen:

• Controles de acceso que definen quién puede usar servicios de IA y bajo qué condiciones.
• Autenticación y autorización para agentes de IA y APIs.
• Cifrado y almacenamiento seguro para información sensible.
• Mecanismos de registro y monitoreo que apoyan auditorías e investigaciones.

Las barreras de infraestructura ayudan a prevenir accesos no autorizados, reducir fugas de datos y proteger el rendimiento del sistema. También son esenciales para cumplir con los requisitos normativos relacionados con la seguridad y la protección de datos.

Barreras de gobernanza

Las barreras de gobernanza conectan controles técnicos con la supervisión organizacional. Aseguran que el uso de IA se alinee con políticas internas, tolerancia al riesgo y marcos normativos externos.

Estas barreras generalmente implican:

• Roles definidos y responsabilidad dentro de un sistema de gestión de IA.
• Documentación y rastros de auditoría para decisiones de implementación de IA.
• Evaluaciones de riesgo que identifican posibles daños antes de la implementación.
• Alineación con principios de IA responsable y regulaciones, como la Ley de IA de la UE.

Las barreras de gobernanza no reemplazan los controles técnicos, pero aseguran consistencia y responsabilidad entre equipos, modelos y aplicaciones de IA.

Casos de uso de barreras de IA

Ciberseguridad

Las barreras de IA desempeñan un papel central en la protección de los sistemas de IA frente a riesgos de seguridad que los controles tradicionales no están diseñados para manejar. Debido a que los agentes de IA a menudo operan con privilegios elevados e interactúan con múltiples servicios, los fallos pueden propagarse.

En contextos de ciberseguridad, las barreras se utilizan para:

• Evitar que los sistemas de IA filtren datos sensibles a través de respuestas o inferencias contextuales.
• Aplicar controles de acceso que limiten con qué servicios de IA y fuentes de datos pueden interactuar los agentes.
• Detectar comportamientos inusuales, como patrones inesperados de acceso a datos o actividad agente-a-agente.
• Integrar mecanismos de registro y monitoreo en operaciones de seguridad existentes.

Cuando la IA se integra en entornos sensibles a la seguridad, las barreras ayudan a reducir las superficies de ataque específicas de IA y apoyan una detección y respuesta más rápida. Esto es especialmente importante a medida que los costos de violaciones continúan aumentando y los atacantes cada vez más apuntan directamente a los sistemas de IA.

Protecciones de contenido

Los riesgos relacionados con el contenido son algunos de los fallos más visibles de la IA generativa. Las barreras se utilizan comúnmente para gestionar cómo se crea y entrega el contenido generado por IA.

Las protecciones de contenido a menudo incluyen:

• Filtros para discurso de odio, acoso y otros resultados dañinos.
• Detección de información sensible como correos electrónicos, números de cuenta o datos médicos.
• Reglas de validación que identifican resultados engañosos o afirmaciones sin soporte.
• Manejo de contenido marcado mediante bloqueo, redacción o revisión humana.

Flujos de trabajo

Muchas organizaciones confían en la IA para automatización inteligente en flujos de trabajo críticos. En estos entornos, la fiabilidad y la previsibilidad son tan importantes como la velocidad. Este enfoque permite que los sistemas de IA asistan en la toma de decisiones sin socavar la confianza o el control.

Las barreras apoyan flujos de trabajo confiables al:

• Asegurar que los resultados generados por IA permanezcan dentro de límites operativos definidos.
• Evitar que los agentes de IA realicen acciones que entren en conflicto con reglas comerciales.
• Detectar falsos positivos que podrían interrumpir decisiones automatizadas.
• Mantener un comportamiento consistente incluso cuando las indicaciones de usuario varían.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

Red teaming: cómo laboratorios líderes prueban modelos antes de la implementación

A medida que las barreras de IA maduran a nivel de aplicación e infraestructura, los laboratorios de IA de vanguardia dependen cada vez más del red teaming para identificar riesgos que reglas estáticas y clasificadores no pueden detectar.

¿Qué es el red teaming en IA?

El red teaming en IA se refiere a la evaluación adversarial de modelos y flujos de trabajo habilitados para IA en múltiples dominios de riesgo, incluyendo ciberseguridad, bioseguridad, desinformación, privacidad y manipulación. En lugar de probar si un modelo sigue reglas predefinidas, los equipos rojos investigan si puede:

• Manipularse mediante inyección de indicaciones o instrucciones indirectas.
• Generar resultados dañinos o engañosos a pesar de las salvaguardas.
• Proporcionar orientación operativa en dominios sensibles.
• Escalar riesgos cuando se combinan con herramientas, sistemas de recuperación o flujos de trabajo agentes.

A diferencia de la moderación automatizada sola, el red teaming enfatiza el descubrimiento de capacidades, preguntando no solo “¿Se permite esta salida?” sino “¿Qué podría permitir este modelo si se malutiliza?”

Cómo los laboratorios de IA de vanguardia usan el red teaming para mejorar la seguridad

Los desarrolladores de IA de vanguardia tratan cada vez más el red teaming como infraestructura de seguridad fundamental en lugar de una actividad única previa al lanzamiento. Los enfoques recientes comparten varios elementos comunes:

• Pruebas continuas y adaptables: En lugar de probar modelos solo contra indicaciones estáticas, los laboratorios los evalúan cada vez más contra adversarios adaptables que aprenden de fallos anteriores. Esto refleja la dinámica de ataque del mundo real, donde los actores maliciosos ajustan tácticas para eludir defensas.
• Experiencia específica del dominio: El red teaming ahora implica expertos externos en áreas como ciberseguridad, biología, persuasión y política pública. Esto ayuda a descubrir riesgos invisibles para evaluaciones de propósito general o benchmarks automatizados.
• Evaluación consciente de herramientas y agentes: El red teaming moderno examina modelos no solo en aislamiento, sino como parte de agentes de IA que pueden llamar herramientas, recuperar documentos y tomar acciones. Esto es crítico, ya que muchos riesgos de alto impacto surgen solo cuando los modelos están integrados en flujos de trabajo con permisos elevados.
• Umbrales de capacidad y escalado: En lugar de asumir que todos los riesgos son iguales, algunos laboratorios definen umbrales de capacidad que activan salvaguardas más fuertes a medida que los modelos mejoran. Esto permite que las medidas de seguridad se escalen con el poder del modelo en lugar de depender de controles estáticos.

Ejemplos de laboratorios de IA de vanguardia

• Anthropic utiliza un equipo rojo de vanguardia dedicado para evaluar riesgos relevantes para la seguridad nacional en áreas como ciberseguridad y bioseguridad. Su trabajo se centra en identificar señales de "advertencia temprana" de crecimiento peligroso de capacidades y definir umbrales de seguridad que requieran controles más fuertes antes de la implementación.²
• OpenAI estableció una Red de Red Team externa que reúne expertos de dominios diversos para evaluar modelos durante todo el ciclo de desarrollo. Este enfoque enfatiza retroalimentación continua, diversidad de perspectivas y descubrimiento de riesgos del mundo real más allá de las pruebas internas.³
• Google DeepMind aplica red teaming automatizado a gran escala para probar modelos como Gemini contra amenazas cambiantes como inyección de indicaciones indirecta. Al combinar ataques adaptables con endurecimiento de modelos, DeepMind se enfoca en reducir clases enteras de vulnerabilidades en lugar de depender de filtros superficiales.⁴

Beneficios de las barreras de IA

Las barreras de IA proporcionan beneficios medibles cuando se implementan con objetivos claros y monitoreo continuo.

Protección de datos sensibles

Las barreras reducen la probabilidad de que los sistemas de IA filtren información sensible a través de resultados o asociaciones indirectas. Esto es crítico para mantener la privacidad de datos y el cumplimiento normativo.

Mejora de la experiencia del usuario

Al reducir resultados engañosos y alucinaciones, las barreras ayudan a asegurar que las respuestas de IA sean precisas y contextualmente relevantes. Esto conduce a interacciones más confiables y mayor confianza del usuario en herramientas de IA.

Riesgo operativo y legal más bajo

Los controles proactivos pueden prevenir incidentes que lleven a responsabilidades legales o sanciones normativas. Las organizaciones con controles de seguridad específicos para IA están mejor posicionadas para limitar los costos de violaciones.

Gobernanza escalable

Los controles automatizados reducen la dependencia de revisiones manuales mientras aún apoyan la responsabilidad. Las barreras proporcionan señales medibles de que los sistemas de IA operan dentro de límites definidos.

Desafíos de las barreras de IA

Implementar barreras de IA introduce desafíos que requieren atención y ajuste continuos.

Definición de criterios de aceptación medibles

• Traducir objetivos abstractos como equidad o seguridad en reglas exigibles es difícil.
• Los criterios mal definidos pueden llevar a una aplicación inconsistente.

Gestión de falsos positivos

• Las barreras excesivamente estrictas pueden bloquear usos legítimos o degradar el rendimiento del sistema.
• Se requiere ajuste continuo para equilibrar seguridad y usabilidad.

Mantenerse al día con amenazas emergentes

• El panorama de amenazas para sistemas de IA evoluciona rápidamente, incluyendo nuevas formas de inyección de indicaciones y manipulación de modelos.
• Las organizaciones deben mantenerse informadas y actualizar proactivamente los controles.

Complejidad operativa

• Las barreras deben mantenerse en modelos, aplicaciones e infraestructura.
• Esto requiere coordinación entre equipos técnicos, funciones de cumplimiento y partes interesadas.

Límites de la automatización

• No todos los daños potenciales pueden identificarse automáticamente.
• La supervisión humana sigue siendo esencial para casos extremos y juicio contextual.

Preguntas frecuentes

Cita esta investigación

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Las 4 principales barreras de IA: Weights and Biases y NVIDIA NeMo}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/ai-guardrails}},
  note   = {AIMultiple. Recuperado el 21 de Mayo de 2026}
}

Enlaces de referencia

1.

Llama Guard: LLM-based Input-Output Safeguard for Human-AI Conversations | Research - AI at Meta

2.

Progress from our Frontier Red Team \ Anthropic

3.

OpenAI Red Teaming Network | OpenAI

4.

Advancing Gemini's security safeguards — Google DeepMind

Security & Privacy Research team

Sıla Ermut

Analista de la industria

Síguenos

Sıla Ermut es analista de la industria en AIMultiple, especializada en marketing por correo electrónico y vídeos de ventas. Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla es licenciada en Psicología Social y en Relaciones Internacionales.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario