Las 10 preguntas más incomprendidas sobre IA y redes neuronales en 2023
Debido a que el campo de la IA y las redes neuronales está en constante evolución y se vuelve más complejo, hay muchos malentendidos y preguntas que las personas pueden ser reacias a hacer. Nos reunimos con reconocidos expertos en inteligencia artificial para discutir diez preguntas que con frecuencia se malinterpretan sobre las redes neuronales en un esfuerzo por aclarar estos problemas. Lo que dijeron fue lo siguiente:
| Consejos importantes |
|---|
| 1. Echa un vistazo a estos increíbles Más de 10 generadores de IA de texto a video que puede convertir texto en videos atractivos. |
| 2. Estas útiles indicaciones están diseñadas para desafiar a los generadores de arte de IA como Midjourney y DALL-E para crear imágenes visualmente sorprendentes basadas en descripciones de texto. |
| 3. Siga estas pautas para explorar sin restricciones el mundo del arte generado por IA sin censura. |
- 1. ¿Es posible que la IA se enamore?
- 2. ¿Puede la IA comenzar a causar daño y eventualmente gobernar el mundo?
- 3. ¿Es arriesgado cargar su voz, apariencia y estilo de texto a voz en IA?
- 4. Subir conciencia a los ordenadores: ¿realidad o ciencia ficción?
- 5. ¿Es cierto que la IA le quitará trabajo a la gente?
- 6. IA e imágenes artísticas: ¿reproducción o robo?
- 7. ¿Puedo usar GPT-4 en lugar de Búsquedas de Google?
- 8. ¿Puede la IA ser creativa?
- 9. ¿Puede la IA pensar de verdad?
- 10. ¿Cómo podría ChatGPT hacerse en absoluto? Y Midjourney o DALL-E?
1. ¿Es posible que la IA se enamore?
Las redes neuronales son modelos matemáticos inspirado en la estructura del cerebro humano. Consisten en nodos interconectados o “neuronas” que procesan información. Al aprender de los datos, pueden realizar tareas específicas como la generación de texto, reconocimiento de imagen, o incluso simulando estilos de escritura similares a los humanos.
¿Puede la IA “amar”?
el concepto de amor está intrínsecamente ligado a la conciencia, la autoconciencia, la empatía y una variedad de otros procesos emocionales y cognitivos complejos. Las redes neuronales, sin embargo, no poseen estos atributos.
Por ejemplo, se puede entrenar una red neuronal para generar texto que se asemeje a una carta de amor si se le da el contexto y las instrucciones adecuadas. Si se le proporciona el primer capítulo de una historia de amor y se le pide que continúe en una línea similar, la modelo lo cumplirá. Pero lo hace en base a patrones y probabilidad estadística, no por ninguna conexión emocional o sentimientos de afecto.
Otro aspecto crítico a considerar es la memoria. En su forma básica, las redes neuronales carecen de la capacidad de retener información entre diferentes lanzamientos. Funcionan sin continuidad ni conocimiento de interacciones pasadas, volviendo esencialmente a su "configuración de fábrica" después de cada uso.
Memoria y Redes Neuronales
Si bien la memoria se puede agregar artificialmente a una red neuronal, lo que le permite hacer referencia a "recuerdos" o datos pasados, esto no imbuye al modelo de conciencia o emoción. Incluso con un componente de memoria, la respuesta de la red neuronal está dictada por algoritmos matemáticos y probabilidades estadísticas, no por experiencias o sentimientos personales.
La noción de una red neuronal que se enamora es una idea cautivadora pero ficticia. Los modelos actuales de IA, independientemente de su complejidad y capacidades, no tienen la capacidad de experimentar emociones como el amor.
La generación de texto y las respuestas observadas en sofisticados modelos son el resultado de cálculos matemáticos y reconocimiento de patrones, no de afecto genuino o inteligencia emocional.
2. ¿Puede la IA comenzar a causar daño y eventualmente gobernar el mundo?
Las redes neuronales de hoy funcionan sin métodos de prueba completa para garantizar que cumplan con reglas específicas. Por ejemplo, evitar que un modelo use un lenguaje ofensivo es una tarea sorprendentemente desafiante. A pesar de los esfuerzos para establecer tales restricciones, siempre hay maneras que el modelo podría encontrar para eludirlos.
El futuro de las redes neuronales
A medida que avanzamos hacia redes neuronales más avanzadas, como las hipotéticas GPT-10 con habilidades humanas, el desafío del control se vuelve aún más apremiante. Si a estos sistemas se les diera rienda suelta sin tareas ni restricciones específicas, sus acciones podrían volverse impredecibles.
El debate sobre la probabilidad de un escenario negativo como resultado de estos desarrollos varía ampliamente, con estimaciones que van del 0.01 % al 10 %. Si bien estas probabilidades pueden parecer bajas, las consecuencias potenciales podrían ser catastróficas, incluida la posibilidad de extinción humana.
Esfuerzos en Alineación y Control
Productos como ChatGPT y GPT-4 son ejemplos de esfuerzos en curso para alinear las intenciones de las redes neuronales con los objetivos humanos. Estos modelos están diseñados para seguir instrucciones, mantener una interacción cortés y hacer preguntas aclaratorias. Sin embargo, estos controles están lejos de ser perfectos y el problema de administrar estas redes no está ni siquiera resuelto a medias.
El desafío de crear mecanismos de control infalibles para redes neuronales es una de las áreas de investigación más vitales en el campo de la inteligencia artificial en la actualidad. La incertidumbre sobre si este problema puede resolverse y los métodos necesarios para hacerlo solo aumenta la urgencia del problema.
| Relacionado:: Las 5 principales acciones de IA preferidas por multimillonarios y administradores de fondos |
3. ¿Es arriesgado cargar su voz, apariencia y estilo de texto a voz en IA?
En una era en la que las tecnologías digitales avanzan rápidamente, crece la preocupación por la seguridad de la información personal, como la voz, la apariencia y el estilo del texto. Si bien la amenaza del robo de identidad digital es real, es esencial comprender el contexto y las medidas que se están tomando para hacer frente a este desafío.
Identidad Digital y Redes Neuronales
En las redes neuronales, no se trata de cargar atributos personales, sino de entrenar o volver a entrenar modelos para imitar la apariencia, la voz o el texto de uno. De hecho, estos modelos entrenados pueden robarse copiando el script y los parámetros, lo que les permite ejecutarse en otra computadora.
El mal uso potencial de esta tecnología es significativo, ya que ha alcanzado un nivel en el que videos profundos y los algoritmos de clonación de voz pueden replicar de manera convincente a un individuo. La creación de dicho contenido engañoso puede ser costosa y consumir mucho tiempo, requiriendo miles de dólares y numerosas horas de grabación. Sin embargo, el riesgo es tangible y enfatiza la necesidad de métodos confiables de identificación y confirmación.
Esfuerzos para garantizar la seguridad de la identidad
Hay varias iniciativas en marcha para abordar el problema del robo de identidad digital. Startups como WorldCoin, en las que OpenAILa cabeza de Sam Altman ha invertido, están explorando soluciones innovadoras. El concepto de WorldCoin consiste en asignar una clave única a cada dato sobre una persona, lo que permite su posterior identificación. Este método también podría aplicarse a los medios de comunicación para verificar la autenticidad de las noticias.
A pesar de estos desarrollos prometedores, la implementación de tales sistemas en todas las industrias es un esfuerzo complejo y de gran escala. Actualmente, estas soluciones permanecen en la etapa de prototipo, y su adopción generalizada puede no ser factible dentro del próxima década.
4. Subiendo la conciencia a los ordenadores: ¿realidad o ciencia ficción?
La idea de transferir la conciencia humana a una computadora ha sido un tema fascinante para los entusiastas de la ciencia ficción. Pero, ¿es algo que la tecnología actual o incluso los avances futuros podrían lograr? La noción de vivir para siempre a través de un gemelo digital ciertamente captura la imaginación, pero la realidad es mucho más compleja.
Imitación pero no duplicación
Con las tecnologías existentes, como las que se encuentran en modelos como GPT-4, es posible enseñar a una red neuronal a imitar el estilo de comunicación propio, aprender chistes personales e incluso inventar otros nuevos con un estilo y forma de presentación únicos. Esto, sin embargo, no es sinónimo de transferir la propia conciencia.
La complejidad de la conciencia va mucho más allá del estilo de comunicación y las peculiaridades personales. La humanidad todavía carece de una comprensión concreta de qué es la conciencia, dónde se almacena, cómo diferencia a los individuos y qué es exactamente lo que hace que una persona sea única.
Posibles posibilidades futuras
El escenario hipotético de transfiriendo conciencia requeriría defiLa conciencia se define como una combinación de recuerdos, experiencias y características individuales de percepción. Si tal defiSi se aceptara la idea, podría haber un camino teórico para simular vida futura mediante la transferencia de este conocimiento a una red neuronal.
Sin embargo, esta teoría es meramente especulativa y no se basa en la comprensión científica o las capacidades tecnológicas actuales. La cuestión de la conciencia es uno de los temas más profundos y escurridizos de la filosofía, la neurociencia y la ciencia cognitiva. Su complejidad se extiende mucho más allá de la capacidad de los actuales inteligencia artificial y tecnología de redes neuronales.
5. ¿Es cierto que la IA le quitará trabajo a la gente?
La automatización a través de la IA probablemente afectará a las profesiones en las que el trabajo implica la ejecución rutinaria de instrucciones. Los ejemplos incluyen asistentes fiscales-consultores que ayudan con declaraciones y ensayos clínicos gestores de datos cuyo trabajo gira en torno a llenar informes y conciliarlos con estándares. El potencial de automatización en estos roles es claro, dado que la información necesaria está fácilmente disponible y el costo de la mano de obra está por encima del promedio.
Por otro lado, profesiones como la cocina o la conducción de autobuses seguirán siendo seguras en el futuro previsible. El desafío de conectar las redes neuronales al mundo físico real, combinado con la legislación y las reglamentaciones existentes, hace que la automatización en estos campos sea una tarea más compleja.
Cambios y Oportunidades
La automatización no implica necesariamente una sustitución total de los trabajadores humanos. A menudo conduce a la optimización de las tareas rutinarias, lo que permite a las personas concentrarse en responsabilidades más creativas y atractivas.
1. Periodismo: En industrias como el periodismo, las redes neuronales pronto pueden ayudar en la redacción de artículos con un conjunto de tesis, dejando que los escritores humanos realicen ajustes precisos.
2. Educación: Quizás la transformación más emocionante radica en la educación. La investigación indica que los enfoques personalizados mejorar los resultados educativos. Con IA, podemos imaginar asistentes personalizados para cada estudiante, mejorando drásticamente la calidad de la educación. Los roles de los docentes evolucionarán hacia la planificación y el control estratégicos, centrándose en determinar los programas de estudio, evaluar el conocimiento y guiar el aprendizaje en general.
6. IA e imágenes artísticas: ¿reproducción o robo?
AI aprende estudiando varias formas de arte, reconociendo diferentes estilos e intentando imitarlos. El proceso es similar al aprendizaje humano, donde los estudiantes de arte observan, analizan y emulan las obras de diferentes artistas.
La IA opera según el principio de minimización de errores. Si un modelo encuentra una imagen similar cientos de veces durante su entrenamiento, puede memorizar esa imagen como parte de su estrategia de aprendizaje. Esto no significa que la red esté almacenando la imagen, sino que la reconoce de una manera similar a la memoria humana.
Un ejemplo práctico
Considere a un estudiante de arte que hace dos dibujos todos los días: uno único y el otro una reproducción de la Mona Lisa. Después de dibujar repetidamente la Mona Lisa, el estudiante podrá reproducirla con una precisión considerable, pero no exactamente. Esta capacidad aprendida de recrear no equivale al robo de la obra original.
Las redes neuronales funcionan de manera comparable. Aprenden de todas las imágenes que encuentran durante el entrenamiento, siendo algunas imágenes más comunes y, por lo tanto, reproducidas con mayor precisión. Esto incluye no solo pinturas famosas sino cualquier imagen en la muestra de entrenamiento. Aunque existen métodos para eliminar los duplicados, no son perfectos y las investigaciones han demostrado que ciertas imágenes pueden aparecer cientos de veces durante el entrenamiento.
7. Puedo usar GPT-4 en lugar de Búsquedas de Google?
Según estimaciones internas de OpenAI, el modelo líder actual, GPT-4, responde correctamente entre el 70% y el 80% de las veces, según el tema. Si bien esto puede parecer inferior a la precisión ideal del 100%, marca un importante mejora con respecto a la generación anterior de modelos basado en el GPT-3.5, que tenía una tasa de precisión del 40-50%. Este aumento considerable en el rendimiento se logró dentro de 6 a 8 meses de investigación.
El contexto importa
Las cifras mencionadas anteriormente se refieren a preguntas formuladas sin un contexto específico o información adjunta. Cuando se proporciona contexto, como un Wikipagina de pedia, la precisión del modelo se aproxima al 100%, ajustado por la corrección de la fuente.
La distinción entre preguntas libres de contexto y ricas en contexto es crucial. Por ejemplo, una pregunta sobre la fecha de nacimiento de Einstein sin ninguna información adjunta se basa únicamente en el conocimiento interno del modelo. Pero con una fuente o contexto específico, el modelo puede proporcionar una respuesta más precisa.
Búsquedas de Google dentro GPT-4
Un desarrollo interesante en este campo es el integración de búsquedas en Internet dentro GPT-4 sí mismo. Esto permite a los usuarios delegar parte de la búsqueda en Internet a GPT-4, lo que reduce potencialmente la necesidad de buscar información manualmente en Google. Sin embargo, esta función requiere una suscripción paga.
Mirando hacia el futuro
OpenAI El CEO Sam Altman anticipa que la confiabilidad de la información fáctica dentro del modelo seguirá mejorando, con un cronograma proyectado de 1.5 a 2 años para perfeccionar aún más este aspecto.
8. ¿Puede la IA ser creativa?
Para algunos, la creatividad es una habilidad inherente, algo que todos los humanos poseen en diversos grados. Otros podrían argumentar que la creatividad es una habilidad aprendida o que se limita a profesiones o actividades específicas. Incluso entre los humanos, hay disparidades en habilidad creativa. Por lo tanto, comparar la creatividad humana con la de una red neuronal requiere una cuidadosa consideración de lo que realmente implica la creatividad.
Redes neuronales y arte
Los desarrollos recientes han permitido que las redes neuronales creen arte y poesía. Algunos modelos han producido obras que podrían llegar a la final de concursos de aficionados. Sin embargo, esto no ocurre consistentemente; el éxito puede ser esporádico, quizás uno de cada cien intentos.
El Debate
La información anterior ha suscitado intensos debates. Las opiniones sobre si las redes neuronales pueden considerarse creativas varían ampliamente. Algunos argumentan que la capacidad de crear un poema o una pintura, incluso si solo tiene éxito ocasionalmente, constituye una forma de creatividad. Otros creen firmemente que la creatividad es una característica exclusivamente humana, ligada a la emoción, la intención y la conciencia.
La naturaleza subjetiva de la creatividad añade más complejidad a la discusión. Incluso entre las personas, la comprensión y la apreciación de la creatividad pueden diferir enormemente.
Las implicaciones prácticas
Más allá del debate filosófico, hay implicaciones prácticas a considerar. Si las redes neuronales pueden ser realmente creativas, ¿qué significa eso para las industrias que dependen de la producción creativa? ¿Podrían las máquinas aumentar o incluso reemplazar la creatividad humana en ciertos campos? Estas preguntas no son meramente teóricas sino que tienen un significado en el mundo real.
9. ¿Puede la IA realmente pensar?
Para explorar si las redes neuronales pueden pensar, primero debemos comprender qué constituye un pensamiento. Por ejemplo:, si consideramos el proceso de entender cómo usar una llave para abrir una puerta como un proceso de pensamiento, entonces algunos podrían argumentar que las redes neuronales son capaz de un razonamiento similar. Pueden correlacionar estados y resultados deseados. Otros podrían desafiar esto, señalando que las redes neuronales se basan en la exposición repetida a los datos, al igual que los humanos aprenden a través de la observación repetida.
Innovación y pensamientos comunes
El debate se vuelve más complejo cuando se consideran pensamientos innovadores o ideas que no se expresan comúnmente. Una red neuronal puede generar una idea novedosa una vez en un millón de intentos, pero ¿califica esto como pensamiento? ¿Cómo difiere esto de la generación aleatoria? Si los humanos también producen ocasionalmente pensamientos erróneos o ineficaces, ¿Dónde se traza la línea entre el pensamiento humano y el de las máquinas??
Probabilidad y generación de ideas
El concepto de probabilidad agrega otra capa de complejidad. Una red neuronal puede producir millones de respuestas diferentes y, entre ellas, puede haber algunas innovadoras o significativas. ¿Una cierta proporción de pensamientos significativos y sin sentido valida la capacidad de pensar?
La evolución de la comprensión de la IA
Históricamente, como las máquinas se han desarrollado para resolver problemas complejos, como pasando la prueba de Turing, las porterías para defiLa inteligencia artificial ha cambiado. Lo que alguna vez se consideró milagroso hace 80 años ahora es tecnología común, y la defiLa noción de lo que constituye la IA evoluciona continuamente.
10. ¿Cómo podría ChatGPT hacerse en absoluto? Y Midjourney o DALL-E?
Las redes neuronales, una idea que se originó a mediados del siglo XX, se han vuelto fundamentales para el funcionamiento de modelos como ChatGPT y DALL-E. Aunque las primeras ideas pueden parecer simplificadas según los estándares actuales, sentaron las bases para comprender cómo replicar el funcionamiento de un cerebro biológico a través de modelos matemáticos. Aquí hay una exploración de los principios que hacen posibles estas redes neuronales.
1. Inspiración de la naturaleza:
El término "red neuronal" en sí mismo se inspira en las neuronas biológicas, las unidades funcionales centrales del cerebro. Estas construcciones artificiales comprenden nodos, o neuronas artificiales, que imitan muchos aspectos de la función cerebral natural. Esta conexión con la biología ha proporcionado información valiosa sobre la creación de arquitecturas modernas.
2. Las matemáticas como herramienta:
Las redes neuronales son modelos matemáticos, lo que nos permite aprovechar los abundantes recursos de las técnicas matemáticas para analizar y evaluar estos modelos. Un ejemplo simple es una función que toma un número como entrada y le suma dos, como f(4) = 6. Si bien esta es una función básica, las redes neuronales pueden representar relaciones mucho más complejas.
3. Manejo de tareas ambiguas:
La programación tradicional se queda corta cuando se trata de tareas en las que la relación entre entradas y salidas no es fácil de describir. Tomemos el ejemplo de categorizar imágenes de gatos y perros. A pesar de sus similitudes, los humanos pueden distinguirlos fácilmente, pero expresar esta distinción algorítmicamente es complejo.
4. Capacitación y aprendizaje a partir de datos:
La fuerza de las redes neuronales radica en su capacidad para aprender de los datos. Dados dos conjuntos de imágenes (p. ej., gatos y perros), el modelo aprende a diferenciarlos entrenándose para encontrar conexiones. Mediante prueba y error, y el ajuste de sus neuronas artificiales, refina su capacidad para clasificarlas correctamente.
5. El poder de los modelos grandes:
Teóricamente, una red neuronal lo suficientemente grande con suficientes datos etiquetados puede aprender cualquier función compleja. Sin embargo, los desafíos están en la potencia informática requerida y la disponibilidad de datos correctamente clasificados. Esta complejidad hace que los modelos grandes como ChatGPT casi imposible de analizar completamente.
6. Entrenamiento especializado:
ChatGPT, por ejemplo, fue capacitado para dos tareas específicas: predecir la siguiente palabra en un contexto y asegurar respuestas no ofensivas pero útiles y comprensibles. Estos objetivos de entrenamiento precisos han contribuido a su popularidad y uso generalizado.
7. El Desafío Continuo de la Comprensión:
A pesar de estos avances, comprender completamente el funcionamiento interno de grandes y complejos modelos sigue siendo un área de investigación activa. La búsqueda para desmitificar sus intrincados procesos continúa ocupando a algunos de los mejores investigadores en el campo.
Preguntas Frecuentes
Aunque la idea de una “copia digital” de uno mismo sigue siendo en gran parte especulativa, la tecnología moderna nos permite capturar y archivar muchos elementos de nuestra huella digital, como fotos, videos y escritos.
Las redes neuronales aprenden de los datos en los que están entrenadas encendido, y que los datos pueden contener sesgos o inexactitudes. Los expertos destacan la importancia de utilizar datos de alta calidad y un seguimiento continuo para garantizar que las predicciones de la red sean lo más precisas posible.
Contrariamente a la literatura popular y a las narrativas cinematográficas, ladefiLas reglas y algoritmos definidos gobiernan el funcionamiento de los sistemas de IA actuales. El estado actual de la tecnología prohíbe un “levantamiento de las máquinas” porque las máquinas carecen de voluntad o deseo autónomos.
Un subconjunto de IA conocido como redes neuronales procesa la información al parecerse a la estructura neuronal en red del cerebro humano. En términos más generales, AI se refiere al hardware o software que es capaz de llevar a cabo operaciones que normalmente requieren inteligencia humana.
Las redes neuronales aprenden a través de un proceso llamado entrenamiento, donde se alimentan de grandes cantidades de datos y ajustan sus parámetros internos para minimizar el error en sus predicciones. Este proceso iterativo está guiado por técnicas de optimización matemática.
Las redes neuronales, en particular los modelos de aprendizaje profundo, a menudo se denominan "Cajas negras" por su complejidad. Si bien existen métodos para interpretar algunas decisiones, puede ser un desafío rastrear cada aspecto del proceso de toma de decisiones de una red neuronal.
Las redes neuronales en sí mismas no son inherentemente sesgadas, pero pueden reflejar sesgos presentes en el datos de entrenamiento. Subraya la importancia de la recopilación y el procesamiento responsable de datos.
Algunas redes neuronales han sido diseñadas para generar arte, la música e incluso la escritura. Si bien estas creaciones pueden ser novedosas e intrigantes, si constituyen "creatividad" sigue siendo un tema de debate filosófico.
Sí, los ataques específicos, como los ejemplos adversarios, en los que cambios menores en los datos de entrada pueden generar resultados incorrectos, pueden hacer que las redes neuronales sean vulnerables. Para desarrollar defensas contra este tipo de vulnerabilidades, los expertos trabajan constantemente.
Las consideraciones éticas en las redes neuronales incluyen cuestiones relacionadas con el sesgo, la transparencia, la privacidad y la responsabilidad. Las pautas, regulaciones y supervisión adecuadas son vitales para abordar estas preocupaciones.
Envuélvelo
Hay muchos detalles complejos en el vasto campo de las redes neuronales que podrían causar malentendidos o percepciones erróneas. Esperamos disipar mitos y brindar a nuestros lectores información precisa discutiendo abiertamente estos temas con especialistas en la materia. Un componente clave de la tecnología de IA contemporánea, las redes neuronales continúan avanzando y, junto con ellas, nuestra comprensión. Para navegar por el futuro de este campo fascinante, la comunicación abierta, el aprendizaje continuo y la implementación responsable serán esenciales.
Más información:
Observación
En línea con la Directrices del Proyecto Confianza, tenga en cuenta que la información proporcionada en esta página no pretende ser ni debe interpretarse como asesoramiento legal, fiscal, de inversión, financiero o de cualquier otro tipo. Es importante invertir sólo lo que pueda permitirse perder y buscar asesoramiento financiero independiente si tiene alguna duda. Para mayor información sugerimos consultar los términos y condiciones así como las páginas de ayuda y soporte proporcionadas por el emisor o anunciante. MetaversePost se compromete a brindar informes precisos e imparciales, pero las condiciones del mercado están sujetas a cambios sin previo aviso.
Sobre el Autor
Damir es el líder del equipo, gerente de producto y editor en Metaverse Post, que cubre temas como AI/ML, AGI, LLM, Metaverse y Web3-campos relacionados. Sus artículos atraen una audiencia masiva de más de un millón de usuarios cada mes. Parece ser un experto con 10 años de experiencia en SEO y marketing digital. Damir ha sido mencionado en Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto y otras publicaciones. Viaja entre los Emiratos Árabes Unidos, Turquía, Rusia y la CEI como nómada digital. Damir obtuvo una licenciatura en física, que él cree que le ha dado las habilidades de pensamiento crítico necesarias para tener éxito en el panorama siempre cambiante de Internet.
Más artículos
Damir es el líder del equipo, gerente de producto y editor en Metaverse Post, que cubre temas como AI/ML, AGI, LLM, Metaverse y Web3-campos relacionados. Sus artículos atraen una audiencia masiva de más de un millón de usuarios cada mes. Parece ser un experto con 10 años de experiencia en SEO y marketing digital. Damir ha sido mencionado en Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto y otras publicaciones. Viaja entre los Emiratos Árabes Unidos, Turquía, Rusia y la CEI como nómada digital. Damir obtuvo una licenciatura en física, que él cree que le ha dado las habilidades de pensamiento crítico necesarias para tener éxito en el panorama siempre cambiante de Internet.
