Obtener valor de negocio de la IA: evitar un invierno de la IA (Gen)
Hasta cierto punto, esto puede deberse simplemente a que la gente busca otros temas de los que hablar, pero creo que va un poco más allá. Mientras que, en el último par de años, pocos se atrevían a cuestionar que la IA estuviera destinada a grandes cosas, ahora escuchamos más voces discrepantes -o al menos que se lo cuestionan-. Por ejemplo, una muestra no muy científica da como resultado las siguientes preocupaciones planteadas: El engaño de la IA Generativa, el "batiburrillo" de la IA que satura las playlists, las "trampas" de la IA para manipular benchmarks y, por último, los cuestionamientos sobre la idea de que la IA Generativa "piense".
En algunos casos, estas historias están relacionadas con malentendidos fundamentales sobre el funcionamiento de la IA/la IA generativa (Gen AI), las expectativas sobre lo que es capaz de hacer o algunas de las aplicaciones antisociales para las que se ha utilizado.
Sin embargo, lo que sí parece haber sucedido es que, a medida que la gente se ha ido familiarizando con las tecnologías de IA Gen en particular, se ha producido una especie de toma de distancia y evaluación de lo que ha estado sucediendo mientras estábamos excesivamente entusiasmados con esta nueva tecnología. Esto es algo saludable y, al igual que en ciclos anteriores de innovación en IA, ha dado lugar a algunas preguntas sensatas sobre el valor real que la IA ha conseguido. Por ejemplo, una encuesta descubrió que desde 2021 se ha producido una reducción en el número de proyectos de IA desplegados y también una reducción en el retorno de la inversión (ROI). Otra encuesta encontró que, junto con Gen AI siendo el principal tipo de solución de IA desplegada en las organizaciones, una de las principales barreras para implementar técnicas de IA es "estimar y demostrar el valor". Lo que estas encuestas no dicen es que la IA (Gen) no funcione, que no pueda hacer cosas notables o que no tenga ningún valor; más bien apuntan a la necesidad de una identificación más cuidadosa del problema empresarial que necesita solución y de cómo eso se traduce en valor para la empresa.
Es muy posible que esto esté ocurriendo de forma más pública porque la tecnología de la IA Gen es mucho más accesible que la IA o el Machine Learning (ML) tradicional y, por ello, muchas más personas y organizaciones se han animado a probarla por sí mismas. Por lo tanto, ¿cómo podemos los que nos embarcamos en proyectos de IA (Gen) aprovechar y aprender de las experiencias, éxitos y fracasos de los proyectos de IA y ML del pasado? En este artículo y en otros futuros intentaré destacar algunas de las lecciones clave para el éxito de los proyectos de IA, pero antes debemos concretar lo que entendemos por "IA" y "Gen AI" y, a grandes rasgos, cómo funcionan.
En el caso de los enfoques tradicionales -o "antiguos"- de la IA, como el Machine Learning, los algoritmos funcionan de una manera específica: con una configuración y una dirección adecuadas, pueden emitir una inferencia a partir de un conjunto de datos de entrada. Construir un modelo en primer lugar es una tarea que requiere habilidad, conocimiento y creatividad. Sin embargo, quizás el mayor reto parece ser cómo ensamblar los elementos que pueden resolverse utilizando el ML de tal manera que puedan proporcionar una solución global al problema empresarial. Los problemas empresariales no suelen encajar en una solución de ML estándar. No se plantean como un concurso de Kaggle, en el que el afortunado científico de datos del proyecto tiene que optimizar un algoritmo a partir de un csv de datos de entrada, con la salida de 1s o 0s (o 0,2, 0,7, 0,9, etc.) generada por el algoritmo que resuelve mágicamente el problema empresarial. No es que tales entradas, salidas y modelos o algoritmos intermedios no puedan resolver un problema empresarial. Lo que ocurre es que el caso de uso empresarial debe identificarse y estructurarse correctamente en primer lugar, y que el resultado resultante debe envolverse de tal forma que pueda integrarse en una solución global que resuelva el problema empresarial.
La IA generativa se ve igualmente limitada por la necesidad de garantizar que la solución estándar (modelo de base, como un gran modelo lingüístico) pueda modificarse de tal manera que el "prompt in / text out" pueda comportarse como requiere el problema empresarial. Los enfoques habituales de adaptación incluyen la ingeniería de avisos y la generación de recuperación aumentada (RAG), además de los diversos controles y equilibrios que pueden ser necesarios para promover la previsibilidad del comportamiento y disminuir las posibilidades de comportamientos no deseados. Por lo tanto, al igual que ocurre con la "IA antigua", la IA generativa también debe integrarse en una solución global.
Entonces, ¿cuál es esa solución global y cómo resuelve el problema empresarial? Incluso antes de eso, tenemos que entender cuál es realmente el problema empresarial y empezar a hacernos una idea de si puede abordarse de forma útil utilizando la IA o si podrían ser más apropiados otros enfoques. Todo esto es imposible saberlo de antemano, pero hay cosas que podemos hacer para llegar a ese punto, siendo pasos útiles comprender el problema empresarial, hablar con las partes interesadas y asignar la solución a la lógica empresarial. En la siguiente serie de artículos trataré con más detalle cada uno de estos aspectos, junto con algunas consideraciones finales para la ejecución de proyectos de IA.
