Comprensión e implementación de flujos de trabajo de IA para una capacitación y una implementación óptimas

La inteligencia artificial (IA) tiene el potencial de revolucionar las operaciones empresariales y cambiar la trayectoria de la innovación en todas las industrias y en todo el mundo.

Más del 75 % del impacto anual total de la inteligencia artificial generativa se producirá de forma específica en ventas, marketing, I+D de productos, ingeniería de software y operaciones con clientes. Pero estas oportunidades solo se pueden aprovechar si la IA se ejecuta de manera cuidadosa y estratégica. 

La implementación de la IA es un proceso estructurado que requiere que tanto los CTO, los CDO como los CIO entiendan los nuevos requisitos tecnológicos, se replanteen su estrategia de infraestructura actual y evalúen los sistemas heredados. Para que la IA tenga un verdadero impacto, los líderes de IT deben crear una base que satisfaga las necesidades de desarrollo e implementación de los modelos de IA de hoy y del mañana.  

Para ello, los líderes de IT deben considerar de forma estratégica las etapas de los flujos de trabajo de la IA. Estos flujos de trabajo implican tres formas independientes de trabajar con los datos: agregación de datos, entrenamiento e inferencia. Las consideraciones incluyen cómo funciona cada una de ellas y los elementos fundamentales clave que se necesitan para que funcionen sin problemas. 

Tres etapas de los flujos de trabajo de IA y cómo afectan a la infraestructura IT  

Fase 1: Agregación de datos

La IA es tan buena como los datos con los que se entrena. La agregación de datos comienza con un enfoque integral para recopilar, limpiar, organizar y almacenar los datos de modo que puedan utilizarse como entrenamiento e información para una aplicación de IA empresarial. 

Para que esta fase de preprocesamiento funcione como es debido, los responsables de IT deben seguir estas buenas prácticas: 

1. Identificar las fuentes de datos: las grandes organizaciones producen y recopilan muchos datos: datos sobre clientes o empleados, datos operativos, datos financieros, registros de red, búsquedas en la intranet o procedentes de sensores IoT. Para que la IA pueda conocer de forma inteligente la información y las respuestas sobre una organización, necesita una imagen completa de su entorno. El primer paso es localizar dónde están esas fuentes de datos.
2. Reunir los datos en un sistema central: los líderes de IT necesitan un sistema a través del cual puedan recopilar los datos de sus diferentes fuentes, bases de datos y puntos finales, y reunirlos en un centro o repositorio centralizado. Podría tratarse de la adopción de un sistema de planificación de recursos empresariales (ERP) o de un lago de datos conectado a diversas fuentes, como conexiones directas a bases de datos, interfaces de programación de aplicaciones (API) u otras fuentes.
3. Limpiar y organizar los datos: aunque los datos se hayan reunido en un punto centralizado, es posible que aún no tengan un formato uniforme y que lleguen como estructurados (específicos y uniformes de una base de datos), semiestructurados (organizados pero no según la gobernanza) o no estructurados (tipos de datos variados). Los líderes de IT deberían implementar las mejores prácticas para la higiene de los datos, que incluyan la incorporación de datos en formatos estandarizados y convenciones de nombres, la búsqueda de errores y la eliminación de datos obsoletos o duplicados. Este paso puede llevar mucho tiempo y resultar costoso.
4. Establecer la gobernanza de datos: por último, establece un proceso repetible que rija la gestión de datos, en especial cómo se protegerán los datos y quién tendrá acceso a ellos. Así se garantiza que la calidad de tus datos se mantenga constante a lo largo del tiempo. Dado el tamaño de los datos recogidos, lo mejor es procesar los datos en el borde para mitigar los impactos de la gravedad de los datos.

Fase 2: Entrenamiento

Aunque lo más probable es que las empresas solo utilicen modelos fundacionales que complementarán con sus propios datos (en lugar de crear y entrenar sus propios modelos), es importante comprender esta fase del desarrollo de la IA.

Los conjuntos de datos organizados y limpios son un precursor para entrenar un modelo de IA empresarial. Por lo general, una empresa utiliza un modelo fundacional, como el modelo GPT-4 de OpenAI, y luego lo entrena o «optimiza» con datos internos para que el conocimiento de la IA sea tanto global como específico de cada dominio. Este flujo de trabajo de entrenamiento puede tener el siguiente aspecto:

1. Elegir el modelo adecuado: no todos los modelos de IA funcionan igual ni se adaptan a los datos específicos de una organización. En primer lugar, los líderes de IT deberían esbozar el caso de uso para la adopción de la IA: ¿Análisis de datos? ¿Servicio al cliente? ¿Eficiencia operativa? Les permitirá elegir mejor la arquitectura, el algoritmo y los parámetros de IA adecuados para sus necesidades empresariales.
2. Empezar con una tarea: a continuación, enseña al nuevo modelo de IA a desarrollar una tarea específica mediante un conjunto de datos de entrenamiento de la fase de agregación de datos. Esto permitirá que el modelo de IA comience a reconocer patrones y relaciones en los datos. A medida que comienza a aprender, quienes entrenan el modelo de IA pueden comenzar a ajustar sus parámetros para hacerlo más preciso y eficaz.
3. Probar y evaluar: sigue probando el modelo para fortalecer y profundizar su conocimiento. Amplía las pruebas a conjuntos de datos adicionales y observa cómo se adapta, ajustando según sea necesario. Evalúa su desempeño durante todo el proceso de prueba para asegurarte de que funciona como se esperaba y cumple con los parámetros de precisión, recuperación, exactitud y otros parámetros de evaluación necesarios.
4. Validar el rendimiento: ahora es el momento de evaluar el rendimiento de la IA en un nuevo conjunto de datos de validación para ver cómo ha aprendido. Es hora de afinar los parámetros y preparar el modelo de IA para su uso empresarial.

 Etapa 3: Inferencia

¡Ahora es el momento de poner la IA a trabajar! En este momento, el modelo de IA está listo para lanzarse en todas las aplicaciones y casos de uso, en los que utilizará sus capacidades de inferencia para hacer predicciones o decisiones sobre nuevos conjuntos de datos.

Sin embargo, no te limites a desplegar la IA y dejar que funcione sin control. Establece un proceso de validación continua para garantizar que el modelo de IA sea preciso y capaz de ofrecer resultados prácticos y, sobre todo, protegerse contra cualquier «alucinación» que pueda tener un impacto en el negocio. Este proceso de monitorización de un algoritmo en producción se conoce comúnmente como observabilidad del modelo.

Por ejemplo, Harvard Business Review detalla cómo Morgan Stanley tiene «un conjunto de 400 "preguntas de oro"» cuyas respuestas se conocen, que utilizan como una prueba continua de precisión de IA. Si hay algún cambio en cómo la IA responde a esas preguntas doradas, saben que necesitan reajustar el modelo.

Afrontar los desafíos del flujo de trabajo de IA

Lo ideal es que el proceso de implementación de la IA empresarial sea fluido, desde la estrategia de datos hasta el entrenamiento y el despliegue. Sin embargo, los líderes de IT deben ser conscientes de los siguientes desafíos al hacerlo.

• Mala calidad de los datos: la IA solo es tan buena como los datos con los que se entrena, y los datos no estructurados o sin formato, o incluso la falta de datos de toda la organización, no permitirán que el modelo de IA aprenda o funcione según sea necesario. Según el «Global AI Adoption Index 2023» de IBM, demasiada complejidad de datos» es la segunda barrera más grande para adoptar la IA con éxito. Por eso es importante tomar medidas para establecer primero un plan de gestión de datos, como se ha explicado anteriormente.
• Falta de hardware: ejecutar la IA con rapidez y eficiencia requiere un hardware computacional que pueda cumplir con los requisitos, y la falta de este afectará al rendimiento y a la velocidad. El hardware de computación de alto rendimiento (HPC) es lo que puede soportar de forma adecuada las necesidades de IA empresarial —en especial en la etapa de inferencia, sensible a la latencia— al impulsar entornos de simulación y modelado mediante procesamiento paralelo. También ocupa una fracción del espacio que ocupa el hardware heredado.
• Infraestructura débil: además del hardware, la IA necesita la infraestructura adecuada para respaldarla. Se incluye tener la densidad de potencia adecuada, que, para la IA, puede ser de cinco a diez veces mayor que la de otros sistemas gestionados por una infraestructura antigua. Con este aumento de la computación, los flujos de trabajo de la IA requerirán también una refrigeración especializada para el centro de datos.
• Aumento de los costes: las inversiones en IA pueden resultar costosas para una organización, tanto en el desarrollo como en la infraestructura y el hardware subyacentes. Una forma de hacer que la IA sea más rentable es asegurarse de que los despliegues y proyectos de IA estén alineados con los objetivos empresariales y que los casos de uso de IA beneficien el crecimiento e impacto de la organización. A menudo se utilizan POC para demostrar un valor cuantificable antes de embarcarse en un proyecto.
• Operaciones de IT complejas: los flujos de trabajo de la IA requieren muchas nuevas consideraciones operativas de IT, como un enfoque estratégico de la gestión de datos y la interconectividad, un compromiso de tiempo para el entrenamiento y un hardware e infraestructura adecuados. También incluyen un enfoque estratégico para la gestión de equipos y garantizar que el personal cuente con experiencia para gestionar los nuevos despliegues de la IA, en especial cuando, según el informe de IBM anterior, «las habilidades, la experiencia o los conocimientos limitados de la IA» son el mayor obstáculo para adoptar la IA con éxito. 

Construir las bases de la IA empresarial

Hoy en día hay enormes oportunidades para la IA empresarial, que solo se pueden aprovechar si se implementan con éxito. Empieza por crear un programa estratégico de agregación de datos para recopilarlos, procesarlos y almacenarlos con eficacia. A continuación, utiliza esos datos para entrenar el modelo de IA de modo que se familiarice con los conocimientos específicos del dominio, los patrones y las relaciones estadísticas. Por último, asegúrate de que exista un plan para evaluar el rendimiento y hacer seguimiento de las métricas tras el despliegue de la IA y su uso en el mundo real. 

Estas tres etapas de los flujos de trabajo de la IA proporcionan la base sobre la que las empresas construirán la innovación.

¿Quieres saber cómo implementar con éxito la IA para llevar a tu organización al futuro? Descarga hoy mismo «La IA para los líderes de IT: despliegue de una infraestructura IT preparada para el futuro».