No se pierda nunca una nueva edición de The Variable, nuestro boletín semanal que presenta una selección de primer nivel de selecciones de los editores, análisis profundos, noticias de la comunidad y más.
A medida que concluimos el primer mes de 2026, puede que sea demasiado pronto para detectar cambios importantes o temas emergentes. Sin embargo, una cosa está clara: nuestros lectores desean mantenerse al tanto de las tendencias de la industria y las herramientas de vanguardia.
Afortunadamente (y como siempre), los contribuyentes de TDS han comenzado el año con una nota sólida, brindando lecturas oportunas y esclarecedoras sobre estos y muchos otros temas. Esta semana, destacamos nuestros artículos más leídos y compartidos de enero, que cubren el contexto de LLM, Claude Code y el futuro de las plataformas de datos gigantes, por nombrar algunos ejemplos destacados.
El gran cierre de datos: por qué Databricks y Snowflake están tocando techo
“¿Hasta qué punto puede crecer realmente una empresa de datos?” Hugo Lu comienza su profunda inmersión que invita a la reflexión con un cuestionamiento fundamental del modelo de negocio actual de plataformas gigantes como Databricks y Snowflake. A continuación, analiza los diferentes factores en juego y ofrece algunas predicciones audaces para el próximo año.
Cómo los LLM manejan el contexto infinito con memoria finita
¿Realmente puedes hacer (mucho) más con (mucho) menos? Moulik Gupta ofrece una explicación exhaustiva y accesible sobre Infini-attention.
Cómo maximizar la eficacia del código Claude
La práctica guía de Eivind Kjosbakken describe técnicas clave de optimización al utilizar la popular herramienta de codificación agente.
Otros aspectos destacados de enero
A continuación se muestran algunas de las historias más populares del mes pasado, con información sobre núcleos fusionados, ingeniería de contexto y aprendizaje federado, entre otros temas:
Más allá de las indicaciones: el poder de la ingeniería contextual, por Mariya Mansurova
Uso de ACE para crear flujos de trabajo de LLM y guías estructurados que se mejoran a sí mismos.
Reducir la memoria LLM en un 84%: una inmersión profunda en los núcleos fusionados, por Ryan Pégoud
Por qué su capa final de LLM es OOM y cómo solucionarlo con un kernel Triton personalizado.
Por qué el análisis de datos centrado en las personas es más importante que nunca, por Rashi Desai
De optimizar métricas a diseñar significado: devolver a las personas a tomar decisiones basadas en datos.
Recuperación de series temporales: cómo mirar hacia atrás mejora los pronósticos, por Sara Nobrega
Una introducción a la recuperación en el pronóstico de series de tiempo.
Por qué la cadena de suministro es el mejor dominio para los científicos de datos en 2026 (y cómo aprenderla), por Samir Saci
Mi opinión, después de 10 años en la cadena de suministro, sobre por qué este puede ser un excelente campo de juego para los científicos de datos que desean que se valoren sus habilidades.
Aprendizaje federado, Parte 1: Los conceptos básicos de los modelos de entrenamiento donde residen los datos, por Parul Pandey
Comprender los fundamentos del aprendizaje federado.
Autores en el punto de mira
Esperamos que se tome el tiempo de leer las preguntas y respuestas recientes de nuestros autores y explorar el trabajo de primer nivel de nuestros colaboradores más recientes:
Diana Schneider se centró en los métodos de evaluación del contenido generado en un LLM de varios pasos, como los recorridos de los clientes.
Kaixuan Chen y Bo Ma compartieron su trabajo sobre la construcción de un sistema de traducción automática neuronal para Dongxiang, un idioma de bajos recursos.
Pushpak Bhoge dedicó su artículo debut a comparar el rendimiento del SAM 3 de Meta con modelos especializados.
¿Tus propósitos de Año Nuevo incluyen publicar en TDS y unirte a nuestro Programa de pago para autores? ¡Ahora es el momento de enviar tu último borrador!