Sumergiéndose en la Presión de Usar IA

Cuando las grandes organizaciones gastan miles de millones de dólares en investigación y desarrollo de una tecnología revolucionaria, llega un momento en que la tecnología está lista para ser utilizada a gran escala. Los gigantes tecnológicos hacen todo lo posible para garantizar la adopción global de la tecnología. Son momentos emocionantes para cualquier entusiasta de la tecnología, y es natural sentir la urgencia de unirse a la tendencia y no quedarse atrás.

Personas de todos los niveles de una organización sienten la presión de utilizar soluciones basadas en IA para cada problema empresarial. ¿Cómo puedes lidiar con la presión y tomar las decisiones correctas para tus problemas comerciales? Vamos a analizar el problema y eliminar las dudas para tener una imagen clara de cuándo usar la IA y cuándo no.

Preguntas Fundamentales a Responder

Antes de adentrarte demasiado en el diseño de soluciones para problemas comerciales específicos y casos de uso, hay algunas preguntas muy fundamentales que puedes hacerte y que te darán pistas sólidas sobre si necesitas invertir tiempo y energía en construir soluciones de IA.

• ¿Invertir en una solución basada en IA nos ayudará a perturbar el status quo de nuestra industria?
• ¿Nos ayudará a pasar de rezagados de la industria a líderes de la industria para alguno de nuestros productos o características de productos?
• ¿Podemos utilizar la IA para alguno de nuestros procesos de desarrollo de productos u operaciones de productos? ¿Reduce significativamente el costo de operaciones a largo plazo de nuestro producto?

Mientras que este tipo de preguntas a menudo se plantean y responden en salas de juntas a nivel ejecutivo, en buenas empresas con una sólida cultura de producto, la toma de decisiones se democratiza y los equipos individuales están empoderados para tomar decisiones clave sobre su hoja de ruta del producto y las características del producto.

Por lo tanto, es importante que los gerentes de producto técnicos y sus equipos piensen como un CEO y reflexionen sobre estas preguntas fundamentales al decidir sobre el uso de soluciones basadas en IA para los problemas planteados por los clientes y ejecutivos.

Desglosando las Capas

Ahora, tomemos el proceso de cuestionar y analizar una capa por debajo de las preguntas fundamentales y usemos un marco que te ayudará a decidir si utilizar IA en el diseño de tu solución.

IA Predictiva

Aunque hay mucho contenido en el dominio público sobre la diferencia entre IA predictiva e IA generativa, aún quiero insistir en la diferencia entre las dos. IA Generativa (GenAI) ha atraído tanta atención en los últimos meses que las personas a menudo pasan por alto el poder de otros tipos de IA, y la inversión y la innovación en esas tecnologías se han ralentizado en muchas organizaciones.

Es importante que los equipos de desarrollo se detengan y piensen en soluciones creativas para el problema del usuario/cliente en cuestión.

¿El problema que estás tratando de resolver está relacionado con la recopilación de datos históricos de eventos pasados, encontrar patrones en ellos para poder predecir el resultado de eventos futuros? Para este tipo de problemas, la inteligencia artificial predictiva es donde tu solución debería ramificarse.

Si estás pensando en la IA general para tales problemas, estás yendo por mal camino. Algunos ejemplos comunes de problemas que se pueden resolver utilizando soluciones de inteligencia artificial predictiva incluyen pronósticos financieros, utilización óptima de la infraestructura, detección de fraudes, etc.

Una vez que tengas claro que el problema que estás resolviendo requerirá una solución basada en inteligencia artificial predictiva, el siguiente paso lógico en el diseño de la solución debería ser qué tipo de algoritmo de aprendizaje automático resolverá tu problema.

• Clasificación. Asignar puntos de datos a clases predefinidas es un problema de clasificación. Por ejemplo, marcar cualquier contenido en una plataforma de redes sociales como inapropiado para que el conocimiento de la máquina sobre contenido apropiado vs inapropiado se refine continuamente es un problema de clasificación.
• Regresión. Cuando el objetivo es definir la correlación entre las características y tu variable objetivo para predecir los problemas futuros, es un problema de regresión. Por ejemplo, predecir el tráfico futuro en tu servicio para decidir cuándo aumentar el número de pods.
• Clustering. Agrupar datos en diferentes grupos con el objetivo de definir los grupos adecuados que te ayudarán a tomar decisiones es un problema de agrupamiento. Por ejemplo, analizar el comportamiento y los casos de uso de los clientes para ayudar a tu organización a definir los segmentos de clientes adecuados es un problema de agrupamiento.

¿No es sorprendente la cantidad de innovación y creatividad que se puede impulsar dentro del ámbito de la inteligencia artificial predictiva? Hasta ahora, en este artículo, no hemos entrado en el ámbito de la inteligencia artificial generativa, que ha estado generando tanto revuelo últimamente.

Inteligencia artificial generativa

En contraste, si el problema que estás intentando resolver implica entrenar un modelo de IA con los datos en bruto de tu organización, haciéndolo aprender mediante ejemplos para que pueda recibir indicaciones de un usuario y generar resultados novedosos, ahí es donde entra en juego la GenAI. El problema podría tener diferentes permutaciones y combinaciones de indicaciones de usuario y resultados generados. Las indicaciones de usuario podrían ser voz, texto o datos no estructurados, y los resultados generados podrían ser texto en lenguaje natural, voz, imágenes o videos.

Ejemplos comunes de problemas que se pueden resolver utilizando GenAI incluyen soporte al cliente, generación de código para reducir costos de desarrollo de productos, síntesis de datos para investigación y pruebas, creación de contenido de marketing a pedido, etc.

Cuando se trata de soluciones impulsadas por GenAI, una vez que tienes claro que tu problema requiere una solución basada en GenAI, habrá decisiones de diseño de soluciones adicionales importantes que te ayudarán a construir la solución más impactante.

• ¿Qué modelo base LLM debo usar?
• ¿Cuáles son los últimos marcos arquitectónicos y patrones de diseño de los que debería aprovecharme? ¿Piensa en RAG, RLHF, agente reactivo multiagente usando langflow, etc.?
• ¿Cómo puedo asegurar las medidas de seguridad y privacidad de datos adecuadas?

Conclusión

Si bien la falta de modernización tecnológica puede hacer que el modelo de negocio de una empresa se vuelva obsoleto en algún momento, es importante asegurarse de que estás utilizando las inversiones en inteligencia artificial de tu organización para los problemas adecuados y en los lugares correctos. Forzar soluciones basadas en IA para problemas que no las necesitan puede llevar tu producto en la dirección equivocada. Mantén la calma y utiliza las inversiones en IA de manera sabia.