Pensar en grande, comenzar de a poco: por qué la inteligencia artificial enfocada triunfará en 2025

En conversaciones recientes con clientes de Red Hat, cuando la conversación inevitablemente gira en torno a la inteligenci artificial, me encontré repitiendo con frecuencia el mismo mantra: lo pequeño puede ser hermoso. 

Me explico. No está de más pensar en grande cuando se trata de la inteligencia artificial. Las oportunidades que ofrece esta tecnología son enormes. Es totalmente justificable que los clientes tengan planes audaces y ambiciosos para aprovechar esas oportunidades. 

De hecho, son oportunidades como esta las que Aramco, una de las empresas integradas de energía y productos químicos más grandes del mundo, está explorando actualmente con Red Hat. A través de un Memorando de entendimiento, exploraremos juntos cómo la inteligencia artificial puede ofrecer iniciativas de capacitación y desarrollo de habilidades para el talento local. Esto se suma a otras oportunidades, como la manera en que la inteligencia artificial puede mejorar el rendimiento y el uso de los recursos de las herramientas de infraestructura, y las nuevas estrategias para mejorar las medidas de ciberseguridad de las aplicaciones en contenedores.

Al mismo tiempo, veo que muchas empresas logran resultados rápidos con la inteligencia artificial al limitar su enfoque y al pensar en algo más pequeño. Lo que tienen en común es que se concentran en desafíos muy específicos del lugar de trabajo, los cuales abordan con Small Language Models (SLM). 

En el contexto de la inteligencia artificial, el término "pequeño" es relativo. Si bien un modelo de lenguaje de gran tamaño (LLM) puede presumir de cientos de miles de millones (o incluso billones) de parámetros, un SLM puede oscilar entre unos pocos millones y unos pocos miles de millones de parámetros. En otras palabras, no es tan pequeño. Y por esa razón, me inclino más a pensar en un SLM como un modelo de lenguaje enfocado, o FLM (Focused Language Model), si se me permite acuñar un nuevo término. 

Dado su tamaño, los SLM se pueden personalizar más fácilmente mediante el ajuste, en el que se capacitan en un conjunto limitado de datos relacionados con la experiencia específica de la industria o incluso de la empresa. Al adoptar este enfoque, los empleados de las empresas inteligentes pueden resolver un problema empresarial más rápidamente, así como [obtener] una mayor comprensión de cómo la inteligencia artificial podría aplicarse a algunos de los otros cuellos de botella de los procesos empresariales que ellos y sus colegas también podrían enfrentar.

Independientemente de cómo los llame, los SLM pueden sobresalir en dominios específicos y enfocados. Por ejemplo, un proveedor de servicios financieros puede usar un SLM capacitado en datos normativos para detectar transacciones que no cumplen con las normas. Un proveedor de atención médica podría usar un chatbot con tecnología de SLM entrenado en conjuntos de datos médicos para incorporar conocimiento específico del dominio en las respuestas a las consultas de los pacientes sobre sus condiciones. 

Este es un enfoque increíblemente eficiente, ya que no es necesario entrenar un SLM en datos que no sean directamente relevantes para el caso práctico para el que se diseñó. No necesita atascarse con información superflua. Y no se espera que un SLM interprete y responda a consultas de gran alcance sobre una gran variedad de temas. 

Ese es el trabajo de un LLM, y representa gran parte de su vertiginosa complejidad y sus requisitos de recursos considerables. Por el contrario, el tiempo que lleva entrenar y ajustar un SLM es más corto, sus requisitos de hardware son mucho menores y su propensión a devolver respuestas erróneas o irrelevantes se reduce considerablemente.

La inteligencia artificial puede cubrir la falta de habilidades

A medida que avanza el año 2025, creo que los SLM tienen un papel importante que desempeñar para abordar muchos de los problemas empresariales que enfrentamos. Un ejemplo que viene a la mente de inmediato es la crisis persistente de habilidades, que se agrava a medida que se acerca la edad de jubilación de los miembros más antiguos de la fuerza laboral europea que envejece rápidamente. 

Un SLM puede prestarse admirablemente para abordar algunas de las tareas realizadas por empleados experimentados y con conocimientos, por ejemplo, analizar documentos legales o normativos, o analizar los comentarios de los clientes en busca de signos de quejas recurrentes sobre un producto o servicio en particular. Cuando las habilidades de ingeniería son la prioridad, los SLM se pueden implementar para analizar los datos recopilados de los sensores y los dispositivos inteligentes instalados en la maquinaria y los equipos para predecir las necesidades de mantenimiento. 

En resumen, las SLM podrían ser una buena manera para que las empresas avancen significativamente con la inteligencia artificial durante el año 2025 de una manera eficiente, accesible, altamente personalizable y con el potencial de generar retornos de sus esfuerzos más rápido. 

Mientras tanto, al utilizar la tecnología de open source, pueden optimizar aún más esa experiencia mediante el uso de la tecnología desarrollada de forma abierta a través del esfuerzo colaborativo. Esto significa que no tienen que partir de los primeros principios con cada proyecto de inteligencia artificial que emprenden, y pueden beneficiarse de los conocimientos y los desafíos que otros equipos han experimentado con los SLM. 

Además, tienen la flexibilidad para diseñar su propio SLM especialmente diseñado y altamente optimizado, capacitado en datos y conocimientos específicos de su empresa y que respalda su caso de uso empresarial exactamente de la manera que desean.