Por Héctor Martinez,
Project Manager Database Solutions
No hay ninguna duda de que desde que OpenAI hizo el lanzamiento público de ChatGPT en noviembre de 2022, muchas cosas han cambiado.
Desde entonces, la inteligencia artificial generativa ha ganado protagonismo y se ha vuelto más accesible, generándonos una pregunta: ¿cómo puedo aprovechar esta «nueva» tecnología en mis procesos de negocio?
Orígenes
Para comprender los avances actuales, es necesario ganar perspectiva. La primera red neuronal se presentó en 1951 por Marvin Minsky, y el término Inteligencia Artificial fue acuñado en 1956 durante la famosa conferencia de Dartmouth, promovida por John McCarthy. Sin embargo, ¿por qué seguimos hablando de los mismos conceptos más de 60 años después?
Los avances en IA han sido intermitentes, y esto se debe a los «inviernos de la inteligencia artificial»: períodos en los que, tras grandes avances (primaveras), se perdió la confianza en la tecnología debido a las limitaciones de la época:
- Primer invierno (1974-1980), marcado por las limitaciones tecnológicas de la época.
- Segundo invierno (1987-1993), donde dominaban sistemas expertos en una única tarea, difíciles de mantener o escalar.
- Tercer invierno (2000-2005), una etapa donde el aprendizaje automático se veía restringido por la falta de grandes volúmenes de datos.
¿Qué es lo que ha cambiado?
Algunos de los avances que nos han llevado a una nueva primavera de la Inteligencia Artificial son fácilmente detectables:
- El uso de GPUs en IA ha permitido a la IA dar un salto tecnológico.
- La Computación en la Nube ha simplificado la gestión y escalabilidad de las infraestructuras.
- El incremento exponencial de datos disponibles ha dado alas al aprendizaje automático.
- El acceso a grandes volúmenes de datos ha alimentado el aprendizaje automático, permitiendo modelos más precisos y sofisticados.
Pero quizás el cambio más destacable ha sido lo accesible que se ha convertido la Inteligencia Artificial Generativa, lo que ha permitido formar el ecosistema necesario para arrancar una primavera de la Inteligencia Artificial. Un momento ideal para la implementación empresarial de estas soluciones, con una mayor comprensión por parte de los usuarios y gran cantidad de ejemplos prácticos en los que inspirarse.
Inteligencia Artificial Generativa
La Inteligencia Artificial generativa, ha revolucionado la creación de contenido en diversos formatos, incluyendo texto, imágenes, audio, video y código. Sin embargo, estas tecnologías, aunque impresionantes en su capacidad para generar respuestas coherentes, carecen de un conocimiento concreto.
Los LLMs, como ChatGPT, son esencialmente máquinas de predicción sofisticadas que generan contenido basándose en patrones estadísticos aprendidos de sus datos de entrenamiento, sin una verdadera comprensión o conocimiento del mundo.
Su capacidad para generar un contenido coherente puede llevar a una confianza excesiva en sus respuestas, pero su tendencia a las «alucinaciones» (generar información inexacta o completamente falsa) presenta riesgos considerables.
Es crucial implementar y desplegar una estrategia de gobernanza sobre la IA que no solo garantice el cumplimiento de normativas y regulaciones, sino también que evite posibles efectos negativos.
La mejor forma de conseguirlo es ayudar a estos modelos a obtener información de primera mano, la nuestra. Podemos permitir que un modelo existente tenga acceso a nuestros datos mediante Retrieval-Augmented Generation (RAG). Será necesario identificar, estandarizar y segmentar de forma previa, creando “embedings” que nuestro modelo pueda procesar, pero evitaremos tener que re-entrenarlo.
Nuestra área de Business Management Solutions puede ayudarte a desplegar este tipo de soluciones, así como otras más exigentes. Para permitir que el modelo aprenda y se adapte al contexto y lenguaje propios de la organización, será necesario realizar un “fine-tuning”. Para lograrlo habrá que re-entrenar un modelo existente con datos específicos de la empresa. Esta última opción requiere un mayor tiempo de implementación, pero permite una solución alineada a la compañía.
De todos modos, si necesitamos una mayor flexibilidad y completa adaptación a nuestro campo, la opción es entrenar nuestro propio modelo.
Tu modelo, Tus reglas
Si el servicio requiere una mayor flexibilidad, así como adaptación al contexto y las particularidades de tu campo de servicio, la mejor opción es entrenar tu propio modelo desde cero. Esta estrategia, aunque más compleja y exigente en términos de recursos, ofrece ventajas significativas para empresas con necesidades muy específicas o que operan en nichos de mercado altamente especializados.
Hay que entender que el proceso de entrenar nuestro propio modelo se aleja del mundo de los LLM y demás IA generativas, con un entrenamiento previo del que no conocemos los detalles, para centrarnos en nuestros datos.
Los especialistas en Business Intelligence and Analytics de Abast están formados para ayudarte a conseguir este objetivo, creando un nuevo modelo completamente personalizado, ajustado a las necesidades y objetivos específicos de tu empresa.
En el proceso de creación de un nuevo modelo, será vital un análisis detallado de las necesidades específicas de la empresa. Esto implica comprender a fondo el proceso de negocio, objetivo o desafío que el modelo debe abordar.
Uno de los procesos que extiende más el tiempo de este tipo de soluciones son los datos. Hay que tener en cuenta el tipo y la cantidad de datos disponibles para el entrenamiento, esto implica su identificación, estandarización y segmentación.
Una vez dispongamos del objetivo y datos de calidad, entraríamos en un ciclo de entrenamiento y ajuste, en el que será importante definir un proceso de validación y no olvidarse del rendimiento.
En estos casos el conocimiento de la tecnología es fundamental, ya sea para escoger el algoritmo adecuado al proceso o para desplegar una infraestructura adecuada a las necesidades de tiempo o costes.
En Abast, estamos listos para acompañarte en cualquiera de estas estrategias. Podemos apoyarte tanto en la implementación temprana de modelos existentes, integrando bases de conocimiento como documentos no estructurados, bases de datos o documentación interna, como en el diseño de un modelo personalizado. Analizando qué algoritmo se adapta mejor a los objetivos de tu empresa y cuál es la infraestructura más adecuada, para asegurar una solución escalable, eficiente y cost-effective.
Próximos Retos
Una vez desplegado nuestro modelo nos faltarán dos puntos que cubrir para garantizar el éxito.
El Gobierno de la IA supone varios retos, el más visible es el de cumplir marcos de regulación, pero el impacto de un uso no seguro de la Inteligencia Artificial. Será necesario, entonces, desarrollar estrategias para garantizar el cumplimiento de estos cambios normativos, así como garantizar la entrada y salida de datos de nuestro modelo de forma segura, pero siguiendo un estándar ético y de transparencia.
El último punto trata sobre el Mantenimiento de la IA. Lograr integrar nuestras infraestructuras existentes para facilitar futuros entrenamientos o lograr un despliegue escalable pueden marcar la diferencia para que nuestro sistema sea sostenible en el tiempo.
Un viaje, el del despliegue de una Inteligencia Artificial sostenible en el tiempo y preparada para futuros retos, en el que puedes contar con Abast. Contáctanos a través de nuestro formulario web.