Cómo hacer para que la IA generativa sea más consumible

Si piensas en algunas de las tendencias tecnológicas del pasado, comenzarás a ver cómo surgen ciertos patrones. Por ejemplo, con la computación en la nube, no existe un enfoque universal. Combinar distintos enfoques, como el del modo local y diferentes proveedores de nube, han fomentado que las organizaciones aprovechen los beneficios que ofrece la infraestructura híbrida a la hora de implementar sus aplicaciones empresariales. Cuando pensamos en el futuro, será esencial contar con una estructura similar para el consumo de inteligencia artificial (IA) en diversas aplicaciones y entornos empresariales. La flexibilidad será un factor crucial, ya que ningún enfoque de IA podrá satisfacer las necesidades de todas las organizaciones y ningún proveedor de plataformas de IA podrá satisfacer todas las necesidades. En cambio, la adopción de la IA se verá impulsada por la combinación de modelos prediseñados, soluciones personalizadas y la integración segura con datos propios. Gracias a los marcos, el software y la infraestructura abiertos, empresas de todos los tamaños ahora pueden acceder y personalizar modelos de IA generativa (gen AI) y adaptarlos a sus necesidades específicas.

¿De dónde provienen las ventajas de la IA generativa?

Para entender cómo se puede usar la IA en aplicaciones internas y externas, analicemos cómo las organizaciones invierten en esta tecnología. Según el informe que elaboró Deloitte “El estado de la IA generativa en la empresa en 2024”, la ventaja más importante de invertir en IA generativa no es innovar en su ámbito de acción, sino centrarse en la eficiencia, la productividad y la automatización de tareas repetitivas. Es cierto que estos modelos son capaces de generar nuevos contenidos, pero en este caso, el verdadero valor proviene de los modelos de lenguaje de gran tamaño (LLM), que comprenden y procesan grandes cantidades de datos para reconocer patrones. Cuando se las aplica a software tradicional, a estas aplicaciones potenciadas por la IA se las conoce como aplicaciones inteligentes, que aumentan y asisten un flujo de trabajo humano.

Referencias de: Explicación de cómo las organizaciones se enfocan en la inversión de IA generativa en la empresa, ©Deloitte 2024

Las ventajas más importantes de invertir en IA generativa

• Lograr mayor eficiencia y productividad
• Reducir los costos
• Mejorar los productos y servicios actuales
• Fomentar el crecimiento y la innovación
• Transformar el trabajo de menor valor de los empleados en uno de mayor valor
• Mejorar la velocidad y la conveniencia del desarrollo de sistemas nuevos
• Aumentar los ingresos
• Fortalecer las relaciones con los clientes
• Descubrir nuevas ideas e información valiosa

Aun así, el proceso de adopción de la IA puede variar. Las organizaciones suelen pasar de automatizar tareas sencillas a integrar la IA por completo en los flujos de trabajo empresariales. Esta adopción gradual empieza por realizar pruebas piloto de casos de uso no críticos y aprovechar las herramientas listas para usar, como los asistentes de código automatizados, que liberan el tiempo que insumen las tareas repetitivas. A medida que aumenta la confianza en el valor que ofrece la IA, los desarrolladores y las empresas comienzan a incorporarla en sus procesos y aplicaciones de negocio específicos. El paso final es la personalización: desarrollar modelos de IA propios que se basan en datos exclusivos de la organización, lo cual permite que la IA genere conocimientos y decisiones específicos.

A medida que las empresas hacen un uso cada vez más sofisticado de la IA, cada fase plantea sus propias ventajas y complejidades. Analicemos en profundidad estas etapas, que muestran cómo la IA puede convertirse gradualmente en una parte fundamental y consumible de cualquier operación.

Aprovechamiento de la IA: agilizar las tareas con la ayuda de la IA

En los últimos años, muchos de nosotros ya hemos interactuado con la IA generativa para automatizar y optimizar el trabajo de rutina, en particular, los desarrolladores e ingenieros. Los asistentes de código son un caso de uso común para los LLM, dado que agilizan las tareas repetitivas en varios lenguajes de programación. Por ejemplo, herramientas como Red Hat Ansible Lightspeed with watsonx Code Assistant o Red Hat OpenShift Lightspeed integran la IA para acelerar las tareas de desarrollo de software o la depuración del entorno operativo de la TI. En la práctica, esto permite ciclos de iteración más rápidos y elimina el trabajo redundante, lo que permite a los desarrolladores enfocarse en la resolución de problemas y la toma de decisiones críticas.

Para los equipos de TI, estos modelos prediseñados son fáciles de implementar, requieren un ajuste mínimo y pueden funcionar sin cambios significativos en la infraestructura, lo que los convierte en una opción accesible para los equipos que recién se inician en la IA. Esta es la razón por la que uno de los enfoques comunes del uso de la IA es mejorar la eficiencia en el lugar de trabajo.

Adopción de la IA: integrar la IA en los flujos de negocio

Una vez que las empresas se familiarizan con estas herramientas, suelen adoptar modelos de IA en sus operaciones comerciales. En esta etapa, la IA se integra en las aplicaciones para mejorar la interacción del usuario o respaldar tareas que se pueden escalar, como el servicio de atención al cliente automatizado. Un ejemplo es nuestro equipo Experiene Engineering (XE), que ha utilizado el modelo Mixtral-8x7b-Instruct para generar más de 130.000 resúmenes de soluciones para casos de soporte, lo que genera un aumento del 20 % en los proyectos de autorresolución exitosos de los clientes. En muchos sectores, los desarrolladores fomentan la adopción de sistemas de recomendación impulsados ​​por IA y herramientas dinámicas de interacción con el cliente. Sin embargo, en algunos casos, estos sistemas requieren cierto grado de personalización, como el entrenamiento en patrones de interacción específicos o comportamientos del usuario, para garantizar que las respuestas sean relevantes y útiles.

En definitiva, el uso de la IA en aplicaciones modernas permite que estas tengan un contexto más profundo de lo que el usuario pretende conseguir. Ya sea que este contexto sea general o específico de una empresa, la IA sabe lo que se necesita y los pasos que se deben seguir para alcanzar el objetivo sin necesidad de una capacitación minuciosa por parte de un equipo de TI. El objetivo último de la tecnología de IA es eliminar esta fricción entre el ser humano y el sistema: aplicaciones que entiendan a las personas y reduzcan el aspecto “laborioso” del proceso.

Red Hat OpenShift AI es una plataforma de IA que se integra con una plataforma de aplicaciones nativa de la nube para permitir que los desarrolladores prueben, implementen e iteren modelos de IA de manera eficaz y creen aplicaciones en tiempo real que respondan a las necesidades del cliente. Al combinar modelos base con datos empresariales por medio de API y marcos de orquestación de la IA, como LangChain, muchas de las acciones con IA tradicionalmente complejas ahora se manejan por medio de llamadas de funciones en la misma aplicación.

Personalización de la IA: integrar datos propios para alinear la IA

Para quienes estén listos para asumir la responsabilidad plena de sus modelos de IA, el siguiente paso es personalizarlos con datos propios en lo que se conoce como “alineación de modelos”. Aquí es donde el potencial de la IA deja de ser una utilidad genérica y pasa a ser una herramienta comercial estratégica, ya que adapta fielmente el modelo al contexto operativo de una empresa. Sin embargo, entrenar y realizar el ajuste fino de los modelos mediante datos privados plantea desafíos técnicos, como la gestión de la confidencialidad de los datos, la asignación de recursos y la actualización constante de modelos.

La personalización se hace más accesible a través de marcos como la recuperación aumentada por generación (RAG) y la alineación a gran escala para chatbots (LAB) en InstructLab, que permite a los equipos alinear la IA con conocimientos específicos de la industria y datos propios. InstructLab permite a las empresas superponer el conocimiento específico de la empresa o las capacidades del modelo sobre los LLM base por medio de una técnica novedosa de generación de datos sintéticos, lo que permite que la IA responda preguntas o realice tareas que son directamente relevantes para la organización.

Recuerda que no existe un enfoque estandarizado en cuanto al camino que tomarán las organizaciones con rumbo a la IA. No obstante, para lograr que la IA sea más accesible, ten presente las tres áreas que se deben priorizar: el aprovechamiento, la adopción y la personalización de la IA generativa.

Para leer más novedades sobre KubeCon NA 2024 de Red Hat, visita la sala de noticias de Red Hat KubeCon.