Enable javascript in your browser for better experience. Need to know to enable it? Go here.
Menú
Cerrar
Descargar
Looking Glass Back

IA en todas partes

 

Aprovechando los últimos avances para escalar tu negocio

 

La IA Generativa (GenAI) ha acaparado la atención, pero en realidad es sólo un aspecto de un campo mucho más amplio que avanza en múltiples frentes. Una de las cosas que GenAI ha demostrado es que la IA puede estar disponible, ser accesible y aplicable a más personas. Esta democratización ha provocado una avalancha de experimentación e inversiones en todos los campos, desde alternativas a los teléfonos inteligentes hasta nuevas empresas que trabajan en el próximo ChatGPT.

 

Lo que todo esto significará para las organizaciones en el día a día está menos claro. Creemos firmemente que la IA ya está teniendo y seguirá teniendo un gran impacto en algunos procesos esenciales para ser una empresa digital, especialmente en el desarrollo de software, lo que permitirá a las empresas crear y comercializar productos más rápidamente.  

 

Es importante entender que, a pesar de todo el entusiasmo, la IA no siempre será una fuerza transformadora. Los grandes modelos lingüísticos (LLM) comerciales son potentes pero, al menos por ahora, demasiado caros para que la mayoría de las organizaciones los utilicen a gran escala. La expectativa en torno a ChatGPT hace que pueda convertirse en un "martillo en busca de un clavo" y que las empresas se apresuren a integrarlo en sus procesos cuando, en realidad, puede que no sea necesario o que no sea la herramienta adecuada para el trabajo. 

 

Las organizaciones necesitan poner en marcha algunos elementos fundamentales antes de poder aprovechar los avances de la IA que parecen surgir cada día. Uno de ellos es una estrategia de datos sólida, como la descrita en nuestro lente de plataforma de datos, que garantice la disponibilidad de un nivel básico de datos relevantes, creíbles y trazables para alimentar los modelos de IA. Sin esta base, una solución de IA puede simplemente permitir a la empresa tomar decisiones equivocadas con mayor rapidez.

 

También es fundamental emplear herramientas como GenAI con una idea básica de lo que es "bueno" para el resultado que se pretende conseguir. Aunque estas herramientas se pueden dirigir, no se puede confiar en que trabajen sin supervisión ni en que verifiquen la calidad de los resultados. Controlar la dirección y los resultados de los sistemas de IA forma parte de una práctica tecnológica responsable y es esencial para evitar consecuencias imprevistas.

 

Una vez establecidos estos parámetros, animamos a las organizaciones a empezar a probar la IA con los posibles casos de uso que surjan en sus operaciones. Como ocurre con todas las innovaciones, puede resultar difícil comprender todo el potencial o el abanico de aplicaciones hasta que la tecnología está firmemente implantada.

Mike Mason, Thoughtworks
A medida que la integración de la IA se vuelve más sofisticada y se multiplican las implicaciones de un error perjudicial, crece también la necesidad de una gestión eficaz de los riesgos.
Mike Mason
Chief AI Officer, Thoughtworks
A medida que la integración de la IA se vuelve más sofisticada y se multiplican las implicaciones de un error perjudicial, crece también la necesidad de una gestión eficaz de los riesgos.
Mike Mason
Chief AI Officer, Thoughtworks

Señales

 

  • Las empresas descubren nuevas aplicaciones para la IA, a menudo en campos que no se esperan necesariamente. La consultora McKinsey, por ejemplo, ha llamado la atención con el desarrollo de un chatbot que actúa como asistente versátil y "compañero de intercambio de ideas", escaneando el vasto repositorio de documentos y transcripciones de entrevistas de la empresa basándose en las consultas de los empleados para resumir lo más destacado e identificar expertos que puedan ayudarles en su trabajo.

     

  • Los LLM hablan nuevos "idiomas". Se están desarrollando más LLM para sectores o casos de uso específicos que emplean su propio vocabulario, a veces muy técnico. Algunos ejemplos son BloombergGPT, de Bloomberg, entrenado específicamente en conjuntos de datos financieros para ayudar en tareas habituales del sector de los servicios financieros como el reconocimiento de entidades con nombre y la clasificación de noticias; y MedPaLM,  de Google, diseñado para generar respuestas precisas y extensas a preguntas habituales sobre salud de los consumidores y que ha demostrado tener conocimientos suficientes para aprobar el examen de licencia médica de Estados Unidos. 

 

  • La IA se convierte en el nuevo campo de batalla de la inversión. La cantidad de dinero y recursos que están invirtiendo en IA algunas de las mayores empresas del mundo para asegurarse una ventaja competitiva en este espacio de rápido crecimiento es asombrosa. La inversión de 4.000 millones de dólares de Amazon en la startup Anthropic llega justo después de la multimillonaria inversión de Microsoft en OpenAI, fabricante de ChatGPT, a principios de este año.  Goldman Sachs calcula que la inversión total en el sector podría acercarse a los 200.000 millones de dólares en 2025, incluso antes de que la IA empiece a producir verdaderos aumentos de productividad.

     

  • Los valores relacionados con la IA están en racha. La espectacular subida de más del 200% de Nvidia, el principal fabricante de los chips que impulsan los sistemas de IA, es sólo la punta del iceberg. Las acciones de empresas menos conocidas, como C3.ai, desarrolladora de aplicaciones de IA, y los fondos cotizados (ETF) centrados en la IA, como BOTZ,  también se han disparado a medida que analistas e inversores se fijaban en el sector.

Viendo ahora Empezando a ver En el horizonte Adoptar Analizar Anticipar
Recomendación estratégica

Adoptar ?

  • El uso de agentes independientes simulados, cada uno con sus propios objetivos, para modelar una situación del mundo real. Estos simulacros pueden ayudarnos a comprender fenómenos complejos como la propagación de enfermedades o el plegamiento de proteínas.
  • Soluciones de IA "listas para usar" ofrecidas como servicio en plataformas en la nube. A menudo no requieren conocimientos especializados de IA o ML para su uso.
  • La IA se despliega cada vez más tanto a la defensiva, para responder a las amenazas de forma más dinámica, como a la ofensiva, para sondear los puntos débiles de un sistema.
  • El uso de la IA para acelerar o mejorar el desarrollo de software. Algunos ejemplos son la finalización de código en IDE, las pruebas automatizadas creadas por IA, la IA capaz de detectar errores o incluso las herramientas de generación de código con IA.
  • La capacidad de ejecutar algoritmos de IA y aprendizaje automático en el extremo de una red, a menudo en dispositivos con recursos limitados.
  • El uso de la tecnología para que todos los datos necesarios para satisfacer los informes de cumplimiento, controles y balances estén fácilmente disponibles. En muchos casos, la automatización simplifica la elaboración de informes mediante la criba de datos; sin embargo, la IA está empezando a sustituir la toma de decisiones manual.
  • Un conjunto de directrices que las organizaciones pueden utilizar para gestionar el riesgo y mitigar las posibles consecuencias negativas de determinadas tecnologías (como el sesgo de la IA).
  • Cuando los individuos o las organizaciones comparten objetivos comunes, probablemente querrán trabajar juntos. Para ello, necesitan un conjunto de herramientas y recursos que puedan utilizar para liberar valor de forma eficaz: un buen ejemplo es un entorno remoto para equipos de desarrollo. Permite a las personas resolver problemas juntas.
  • Una plataforma de datos organizada en torno a dominios empresariales en la que los datos se tratan como un producto, y cada producto de datos es propiedad de un equipo. Para agilizar e impulsar la estandarización, los equipos de infraestructura proporcionan herramientas que permiten a los equipos de productos de datos autogestionarse.
  • Acercar el almacenamiento y procesamiento de datos a los dispositivos donde se almacenan, en lugar de depender de una ubicación central que puede estar a miles de kilómetros de distancia. Entre sus ventajas se encuentran la reducción de la latencia de los sistemas en tiempo real y la mejora de la privacidad de los datos.
  • Marcos de toma de decisiones que intentan aportar transparencia y claridad a la forma en que se toman las decisiones, especialmente en torno al uso de la IA y los posibles sesgos en los datos.
  • En contraste con los diseños tradicionales de arquitectura empresarial, la arquitectura evolutiva acepta que no podemos predecir el futuro y, en su lugar, proporciona un mecanismo para el cambio guiado e incremental de la arquitectura de sistemas.
  • Conjunto de herramientas y enfoques para comprender el razonamiento utilizado por un modelo de ML para llegar a una conclusión. Estas herramientas suelen aplicarse a modelos cuyo razonamiento es opaco.
  • La integración de capacidades de inteligencia artificial generativa (GenAI) en entornos de desarrollo integrados (IDE), las aplicaciones de software que los programadores utilizan para escribir código.
  • IA que crea texto, imágenes, audio y vídeo a partir de sencillas indicaciones del lenguaje humano.
  • Elegir tecnologías, lenguajes de programación, algoritmos y arquitecturas de software que sean eficientes y utilicen menos energía.
  • Plataformas diseñadas específicamente para el aprendizaje automático, que brindan capacidades de un extremo a otro, como gestión de datos, ingeniería de funciones, entrenamiento de modelos, evaluación de modelos, gobernanza de modelos, explicabilidad, AutoML, control de versiones de modelos, promoción entre entornos, servicio de modelos, implementación de modelos y monitoreo de modelos.
  • Un movimiento para llevar las prácticas de DevOps al campo del aprendizaje automático. MLOps fomenta una cultura en la que las personas, independientemente de su título o experiencia, trabajan juntas para imaginar, desarrollar, implementar, operar, monitorear y mejorar sistemas de aprendizaje automático de manera continua. La entrega continua para aprendizaje automático (CD4ML) es el enfoque de Thoughtworks para implementar MLOps de un extremo a otro.
  • Inteligencia artificial y otras tecnologías modernas que ayudan a las computadoras a comprender la intención y el significado del lenguaje hablado o escrito. Se utiliza para todo, desde software de dictado hasta análisis de significado de documentos.
  • Una técnica en la que los algoritmos aprenden continuamente basándose en la llegada secuencial de datos y pueden explorar el espacio de un problema en tiempo real. Contrasta con el aprendizaje automático tradicional, donde el entrenamiento de modelos utiliza solo datos históricos y no puede responder a situaciones dinámicas o nunca antes vistas.
  • Hacer de la IA una parte normal de las operaciones comerciales, incluida la seguridad y la gobernanza adecuadas.
  • Una forma de crear y respaldar plataformas centrada en proporcionar valor al cliente (usuario), en lugar de tratar la creación de plataformas como un proyecto limitado en el tiempo.
  • La privacidad ante todo es un cambio significativo en la estrategia empresarial, organizativa y de producto, en la que la privacidad funciona como un valor y una oferta empresariales fundamentales. Este cambio se aleja del movimiento anterior en el que "los usuarios son el producto" y se adentra en un nuevo ámbito en el que la confianza y la transparencia son lo primero.
  • Un método de inteligencia artificial en el que el sistema mejora la generación de respuestas obteniendo información relevante de una gran base de datos o fuente de conocimiento. Este enfoque combina los aspectos creativos de los modelos generativos de IA con la precisión de la recuperación de datos, permitiendo respuestas más precisas y contextualmente relevantes en diversas aplicaciones empresariales.
  • Los hogares se están volviendo "inteligentes" gracias a los smart hubs, que permiten controlar casi todos los sistemas domésticos. La analítica puede incluso guiar o gestionar el suministro de calefacción y energía y aprender de los hábitos individuales o de los de un vecindario.
  • Automóviles en los que las principales funcionalidades, características y experiencia del usuario se rigen principalmente por software, en lugar de por los sistemas mecánicos y eléctricos tradicionales. Este enfoque permite una mayor flexibilidad, personalización y mejora continua a través de actualizaciones remotas, transformando significativamente las capacidades del vehículo y, a su vez, los modelos de negocio de la industria del automóvil.
  • Sistemas de almacenamiento especializados diseñados para manejar e indexar de forma eficiente vectores de datos de alta dimensión, utilizados habitualmente en aplicaciones de aprendizaje automático e inteligencia artificial.

Analizar ?

  • Los mercados como AWS Marketplace, Google TensorFlow Hub y MS Azure Marketplace permiten a desarrolladores y empresas independientes vender sus modelos a un mercado global. También permiten a los consumidores aprovechar rápidamente esos modelos para crear valor rápidamente.
  • Una nueva raza de soluciones en las que se combinan múltiples tecnologías y actúan conjuntamente. Los drones, la robótica y los vehículos autónomos son ejemplos de dispositivos que requieren aprendizaje automático, procesamiento de flujos de datos y capas de inteligencia para resolver problemas.
  • Imágenes, audio o vídeo manipulados por la IA. También conocidos como medios sintéticos.
  • El uso de la tecnología para realizar flujos de trabajo repetibles o predecibles. La mano de obra automatizada no significa sustituir por completo a los humanos; en algunos casos, el "trabajo en equipo" humano-máquina puede producir mejores resultados que cualquiera de los dos trabajando por separado.
  • Un enfoque para automatizar en parte el trabajo de los científicos de datos y los ingenieros de aprendizaje automático, seleccionando y entrenando automáticamente modelos de aprendizaje automático para tareas específicas.
  • Capacidad de realizar cálculos sobre datos encriptados sin desencriptarlos previamente. Útil para mantener la privacidad de los datos al tiempo que permite externalizar su almacenamiento y manipulación. Esto incluye tecnologías como el cálculo seguro multipartito y el cifrado homomórfico.
  • Un enfoque que descarga un modelo de aprendizaje automático y, a continuación, calcula o entrena un modelo específico modificado utilizando datos locales en otro dispositivo. Este enfoque ayuda a varias organizaciones a colaborar en la creación de modelos sin intercambiar explícitamente datos protegidos.
  • Un modelo de negocio que tiene como objetivo extraer valor empresarial de la posesión y uso de grandes cantidades de información personal. Los ejemplos van desde el uso primitivo de cookies hasta la elaboración de perfiles específicos de las personas a través de su comportamiento en línea. Históricamente, este ha sido el dominio de empresas o servicios intermedios basados en publicidad que intentan retener y dirigirse a los clientes, pero, desde el RGPD y leyes de privacidad similares, estamos viendo un cambio hacia que las personas controlen qué datos desean exponer a cambio de un servicio.
  • Comprender el perfil genético de cada paciente para identificar posibles problemas antes de que se produzcan y ofrecer tratamientos más eficaces en respuesta a las afecciones existentes.
  • La automatización de procesos robóticos (RPA) pretende permitir que scripts o bots interactúen con las interfaces de usuario en lugar de necesitar un operador humano. El código bajo pretende democratizar la programación, permitiendo a los no programadores crear sistemas de software.
  • Una zona urbana que utiliza diferentes tipos de sensores IoT para recopilar datos junto con plataformas para integrar y actuar sobre los datos, asesorando u ordenando a los sistemas habilitados digitalmente que lleven a cabo alguna respuesta. La información obtenida a partir de los datos se utiliza para gestionar activos, recursos y servicios de manera eficiente; a cambio, esos datos se utilizan para mejorar las operaciones en toda la ciudad.

Anticipar ?

Sin tendencias

Adoptar ?

  • Funcionalidad integrada en aplicaciones que combina la funcionalidad de modelos de IA generativa disponibles públicamente con conocimientos específicos externos al modelo, como información sobre productos.
  • Técnicas para establecer relaciones de causa y efecto entre los datos de entrada y los resultados de un modelo de aprendizaje automático, lo que permite que un modelo sea más generalizable y requiera menos datos de entrenamiento para funcionar con eficacia.
  • También conocida como identidad auto-soberana, la identidad descentralizada (DiD) es una arquitectura de identidad basada en estándares abiertos que utiliza identificaciones digitales propias e independientes y credenciales verificables para transmitir datos de confianza. Aunque no depende de las cadenas de bloques (blockchain), muchos ejemplos actuales se basan en ellas, así como en otras formas de tecnología de libro mayor distribuido y criptografía de clave privada/pública, su objetivo es proteger la privacidad y asegurar las interacciones en línea.
  • Controles de acceso a los datos más granulares, como los basados en políticas (PBAC) o en atributos (ABAC), que pueden aplicar más elementos contextuales a la hora de decidir quién tiene acceso a los datos.

Analizar ?

  • Normativas y orientaciones gubernamentales sobre el uso de la IA, destinadas a garantizar un uso responsable y las consecuencias de los sistemas de IA. Esto incluye la supervisión, el cumplimiento y las buenas prácticas.
  • Combina las herramientas y técnicas de IA con las ciencias del comportamiento y de la gestión con el fin de mejorar y ampliar la toma de decisiones y los responsables de la toma de decisiones en una variedad de problemas complejos, desde la planificación de escenarios hasta la investigación de operaciones.
  • Asistentes virtuales con IA y personajes no jugables que recrean la interacción humana dentro del metaverso.
  • Hacer que la IA sea más fácil de usar al reducir la barrera de entrada con contexto compartido y otros datos con los que aquellos que no están familiarizados con la ingeniería rápida pueden tener dificultades.
  • Tecnologías que permiten la interacción directa de dispositivos y el intercambio de información entre ellos, normalmente de forma autónoma. Esto permite tomar decisiones y actuar con poca o ninguna intervención humana.
  • La IA modela interacciones que abarcan diferentes modos de comunicación. Por ejemplo, un chatbot que entiende y responde tanto en lenguaje escrito como hablado.
  • Sistemas que controlan las métricas de sistemas distribuidos complejos y toman medidas correctivas si se detecta un problema. A menudo se utilizan para la seguridad, pero cada vez más también para la resiliencia y la recuperación ante una interrupción.
  • Un conjunto emergente de técnicas para certificar la procedencia de los datos y gobernar su uso en toda una organización. Esto podría resultar transformador en el esfuerzo por seguir y mejorar el progreso hacia los objetivos de sostenibilidad.

Anticipar ?

  • Se trata de ataques contra (o mediante) sistemas de aprendizaje automático. Los atacantes pueden manipular los datos de entrenamiento o identificar entradas específicas que un modelo clasifica mal para crear deliberadamente resultados no deseados.
  • Término colectivo para los sistemas y dispositivos que pueden reconocer, interpretar, procesar, simular y responder a las emociones humanas.
  • La mayoría de los términos de servicio (TOS) o acuerdos de licencia de usuario final (EULA) son una jerga legal impenetrable que dificulta su comprensión a las personas sin formación jurídica. El consentimiento comprensible pretende invertir este patrón, con términos fáciles de entender y descripciones claras de cómo se utilizarán los datos de los clientes.

Adoptar ?

Sin tendencias

Analizar ?

Sin tendencias

Anticipar ?

  • Una Inteligencia Artificial General (IAG) tiene amplias capacidades en toda una gama de tareas intelectuales, y a menudo se compara con la inteligencia de nivel humano. Esto contrasta con la actual IA "estrecha", que puede ser notable, pero sólo para tareas muy específicas.
  • Algoritmos de aprendizaje automático adaptados y ejecutados en un motor de computación cuántica, generalmente utilizado para analizar datos clásicos (no cuánticos).
 

Las oportunidades

 

Adelantándose a la curva de este objetivo, las organizaciones pueden:

 

  • Suavizar y acelerar las interacciones entre humanos y computadoras. Los avances en el procesamiento del lenguaje natural (PLN) están abriendo nuevas vías para que las personas se comuniquen con las máquinas, incluso a través de conversaciones cotidianas. Esto está ampliando el número de personas que pueden interactuar con estos sistemas y facilitando enormemente la planificación y ejecución de tareas como resumir información, proporcionar respuestas autónomas a consultas o contexto e información para apoyar determinadas funciones, o generar y conservar contenidos.

     

  • Acaba con el terror a la "página en blanco". Sea cual sea la tarea o el proyecto, dar con la idea o ideas iniciales y empezar prácticamente de la nada suele ser la parte más difícil. La IA puede eliminar la parálisis de la página en blanco investigando y proporcionando una lista de sugerencias o ideas que, aunque estén lejos del resultado deseado o del artículo acabado, pueden servir como punto de partida o impulsar a las mentes recalcitrantes a la acción.

     

  • Automatizar tareas, no trabajos enteros. La necesidad de la participación humana para guiar y, en última instancia, evaluar los resultados de la IA hace que la externalización total de funciones a sistemas de IA sea menos probable de lo que mucha gente piensa. Dicho esto, hay multitud de tareas que la IA puede automatizar o en las que puede aumentar la aportación humana, haciendo el trabajo más coherente y eficiente. Cualquier tarea que requiera el acceso y análisis de un vasto corpus de conocimientos -como un gran número de artículos de investigación o bases de datos de información médica o financiera- puede considerarse un candidato prometedor para la ayuda de la IA. El listón de lo que la IA puede hacer cambiará constantemente, pero en general, como algunos han aconsejado, puede ser útil pensar en la IA " no como software, sino como personas bastante buenas’", es decir, el equivalente a un asistente de investigación competente o a un ejército de becarios bienintencionados. A la IA se le pueden confiar algunas tareas, pero no se le puede confiar todo. 

     

  • Revolucionar la entrega de software. Existe la idea errónea de que en la creación de software, GenAI se utiliza principalmente como herramienta para facilitar la codificación, cuando en realidad puede afectar a todos los aspectos del ciclo de vida del desarrollo. Las aplicaciones potenciales más allá de la ayuda a la codificación incluyen la lluvia de ideas con la IA para mejorar nuestros requisitos y escenarios de prueba; la mejora de la respuesta a incidentes y la depuración traduciendo el lenguaje natural en consultas sobre registros y métricas; la ideación de productos y estrategias; y la búsqueda de información institucional no estructurada para proporcionar un contexto valioso a los desarrolladores. Basándonos en nuestra experiencia, creemos que la entrega de software asistida por IA tiene el potencial de aumentar la productividad hasta un 30%.

Persona hablando por el móvil
Persona hablando por el móvil

Lo que hemos hecho

Mejorando la IA conversacional con modelos lingüísticos con Jugalbandi

 

 Trabajamos en un chatbot que ayuda a los usuarios a navegar por la complejidad de los diversos planes de bienestar del gobierno de la India. Es un testimonio de la capacidad de la IA no solo para navegar, procesar y resumir grandes cantidades de información en un formato fácilmente digerible, sino también para satisfacer a una base de usuarios mucho más inclusiva en sus propios términos. Combinamos una serie de LLM y modelos de traducción existentes para potenciar la IA conversacional a través de la voz, tanto entrante como saliente, en múltiples lenguas y dialectos locales. Esto proporciona un punto de acceso y una fuente de información sobre servicios gubernamentales a una base de usuarios rurales con altas tasas de analfabetismo. Esto ha ampliado y simplificado enormemente las interacciones entre el Gobierno de India y muchos de sus ciudadanos en zonas remotas y no urbanas.

Consejos prácticos

 

Cosas que hacer (Adoptar)

 

  • Identifique defensores de la IA que puedan ayudar a guiar y enseñar a tu organización sobre los posibles casos de uso de las soluciones emergentes, pero comprende que la IA puede y será aplicada de diferentes maneras en casi todas las partes de la empresa, lo que significa que estos defensores deben mantener una mente abierta. Contar con personas que tengan una idea clara de lo que es "bueno" puede reducir los riesgos y garantizar que las iniciativas de IA se centren en resultados empresariales significativos.

     

  • Especialmente a corto plazo, hay que centrarse en cómo trabajan juntos los humanos y la IA. Asegúrate de que los equipos entienden cómo la IA puede aumentar, no amenazar, las tareas que son fundamentales para sus funciones, y dónde tendrán que tomar el control. Vigila y gestiona los costos de los servicios que utilizan las personas, que generalmente no son visibles para un usuario individual, pero que pueden acumularse rápidamente. Dependiendo de la tarea, puede merecer la pena sacrificar un cierto grado de precisión a cambio de menores costes, ya que los modelos que son sólo ligeramente menos precisos pueden ser sustancialmente más baratos de ejecutar.

     

  • Identifica casos claros de uso de la IA que generen valor real para tu organización, así como áreas en las que explícitamente no utilizarás la IA, ya sea porque no tiene sentido desde el punto de vista empresarial, porque los costes superan las inversiones necesarias o porque los riesgos asociados son simplemente demasiado elevados. Dado que la lista de aplicaciones potenciales es enorme y está en constante expansión, tener estas decisiones en torno a las que orientarse garantizará que los esfuerzos que realiza en materia de IA se orienten cuidadosamente y, por lo tanto, tengan más probabilidades de dar fruto.

     

  • Sé consciente de la tecnología que utilizas. La "IA" se ha convertido a veces en un cajón de sastre para una serie de tecnologías distintas y, más recientemente, se utiliza para referirse únicamente a GenAI. Las capacidades y los casos de uso de la GenAI frente a otras tecnologías que a veces se agrupan bajo el paraguas de la IA -como el aprendizaje automático- pueden ser muy diferentes, por lo que se necesita claridad sobre lo que está planeando implementar y cómo se conecta con los problemas que está tratando de resolver.

     

  • Definir y comunicar los "guardarraíles" desde el principio. Mucho antes de interactuar con la IA en el día a día, los equipos deben ser conscientes de las normas y expectativas en términos de seguridad, fuentes de datos y sistemas de investigación o sus resultados para la transparencia y / o sesgo. También deben saber cuándo renunciar a los experimentos cuando sea improbable que produzcan el resultado deseado o entrañen riesgos excesivos.

 

Aspectos a tener en cuenta (Analizar)

 

  • Alternativas de código abierto a los LLM comerciales, que están mejorando y cada día surgen más. Los modelos de libre acceso como FastChat-T5 pueden proporcionar una base sólida para aplicaciones de chatbot y atención al cliente, y desarrollarse en modelos especializados que protejan la propiedad intelectual de la organización.

     

  • Agentes de IA. Las recientes interfaces de programación de empresas como OpenAI ofrecen la posibilidad de combinar la funcionalidad de modelos de IA generativa disponibles públicamente con conocimientos específicos externos al modelo, como información sobre productos.

     

  • Nuevas ofertas de proveedores. Los proveedores de nubes públicas como Amazon y Google Cloud anunciaron una oleada de nuevos productos y servicios para las personas que crean software hacia finales de 2023. En muchos casos, estas herramientas ofrecen características convincentes, como el despliegue asistido por IA y el funcionamiento del software que se está creando. Anime a sus campeones de IA a evaluar regularmente una variedad de ofertas.

 

 

Cosas a tener en consideración (Anticipar)

 

  • Olas de regulación. Como demuestra el debate en curso sobre una ley de IA en la Unión Europea, los gobiernos se apresuran a legislar contra algunas de las repercusiones más negativas que se perciben de la IA y es probable que lleguen rápidamente nuevas normas sobre todas las facetas de la IA desde todas las direcciones. Las organizaciones deben ser proactivas a la hora de establecer políticas para "hacer lo correcto" antes de que se vean obligadas a ello, de modo que el cumplimiento se convierta en algo natural.

Seguir leyendo

Lente dos: Obtener valor de los datos y las plataformas de IA
Descubre más
Lente tres: Interacciones en evolución
Descubre más
Lente cuatro: Acelerar la convergencia físico-digital
Descubre más
Lente cinco: Tecnología responsable: una consideración crítica
Descubre más

Descarga el reporte completo

Descargar