Alon Eirew, CTO (IA) de MCE Systems – Serie de entrevistas

Alon Eirew, CTO (IA) de MCE Systems, lidera la estrategia de IA y la pila de tecnología de la empresa, que abarca arquitectura, desarrollo de modelos, infraestructura, integración de productos y la adopción más amplia de IA en las operaciones internas. Anteriormente, pasó más de nueve años en Intel (INTC ), progresando desde ingeniero de software senior y arquitecto de software hasta investigador principal de Procesamiento de Lenguaje Natural (NLP), donde dirigió la investigación de extracción de conocimientos, aseguró financiamiento para proyectos de varios años, publicó artículos en conferencias importantes de NLP y asesoró a startups a través de Intel Ignite. Al comienzo de su carrera, Eirew ayudó a desarrollar tecnología de asistente personal en Telmap que más tarde se convirtió en parte de Intel, y desde entonces ha asesorado a empresas de IA en etapas tempranas mientras enseñaba ciencias de la computación, programación orientada a objetos, minería de datos e información de recuperación en varias universidades israelíes.

MCE Systems desarrolla una capa de experiencia nativa de IA para proveedores de telecomunicaciones, conectando sistemas heredados, datos en tiempo real y flujos de trabajo inteligentes para respaldar las interacciones del cliente en múltiples puntos de contacto. Fundada en 2005, la empresa construyó su negocio alrededor de la gestión del ciclo de vida de dispositivos digitales, con tecnología que cubre diagnósticos y cuidado de dispositivos, programas de canje, calificación de dispositivos remotos y devoluciones. MCE está aplicando cada vez más IA generativa y agente a estos flujos de trabajo, ayudando a los operadores a detectar problemas de dispositivos, guiar a los clientes a través de posibles soluciones y coordinar trayectos de servicio más complejos en canales digitales y asistidos.

Pasaste casi una década en Intel trabajando en NLP, extracción de conocimientos, recuperación de información y tecnologías de asistente personal tempranas que se originaron en Telmap antes de convertirse en parte de Intel. Mirando hacia atrás, ¿qué ideas de esos sistemas de IA tempranos resultaron estar adelantadas a su tiempo, y qué suposiciones se equivocó la industria por completo?

Una idea que claramente estaba adelantada a su tiempo fue el asistente personal en el que trabajamos antes de la era de LLM. Estos eran sistemas que entendían la intención, conectaban el contexto a través de tareas y ayudaban a los usuarios a lograr objetivos de manera natural. Estos tenían las mismas ambiciones que los agentes de hoy en día. La diferencia era el enfoque subyacente: en lugar de modelos de lenguaje, nos basamos en una combinación de aprendizaje automático y algoritmos para inferir la intención del usuario. Este método, sin embargo, resultó difícil cuando se aplicó a gran escala, considerando las diferentes formas en que los usuarios expresan la misma solicitud.

Imagina emplear a un representante de servicio para manejar las consultas de miles de clientes, pero solo puede manejar consultas que están enmarcadas con una estructura de oración específica. Como puedes imaginar, solo cubriría un rango bastante pequeño de casos de uso y sería difícil manejar muchos problemas de los clientes. Los LLM cambiaron todo. Hoy en día, entender la intención del usuario ha sido ampliamente resuelto. Así que en nuestra analogía, el representante ahora es flexible y puede hablar con millones de clientes.

Mientras que no diría que la industria se equivocó por completo, creo que muchos subestimaron cuán central serían los modelos de lenguaje. El gran salto llegó cuando se introdujeron los primeros modelos de lenguaje como ELMo, BERT y RoBERTa. En ese momento, pocos entendieron verdaderamente la gravedad de la transformación que estaba en camino. Estos fueron los modelos base de los LLM modernos que usamos todos los días y que ahora es difícil imaginar sin ellos.

La mayoría de las empresas vieron estos modelos iniciales como componentes útiles en aplicaciones estrechas, no como la base para un nuevo paradigma de computación. En retrospectiva, muchas de ellas se perdieron la oportunidad de posicionarse como jugadores importantes de IA.

Durante tu carrera de investigación, te centraste en la extracción de conocimientos multi-documento y la comprensión de eventos. A medida que las empresas confían cada vez más en grandes modelos de lenguaje, ¿por qué crees que la extracción de conocimientos estructurados sigue siendo un desafío crítico?

Los LLM son herramientas poderosas para abordar una variedad de temas, pero las aplicaciones empresariales y los usuarios finales necesitan experiencia para resolver un problema específico, lo que requiere acceso a conocimientos. Este conocimiento contextual y propietario no es típicamente parte de los datos de entrenamiento del modelo, por lo que desplegar un LLM en una empresa significa recopilar comprensión a través de posiblemente millones de puntos de datos internos. Hoy en día, los LLM luchan con esto, perdiendo un contexto sustancial debido a limitaciones técnicas y de acceso, y esa brecha limita su impacto.

En MCE, por ejemplo, ofrecemos una solución de agente de atención al cliente de IA. Uno de sus objetivos es permitir que los operadores de telecomunicaciones ayuden a sus clientes a resolver problemas técnicos de dispositivos móviles sin necesidad de intervención humana. Sin alimentar al agente de IA con información técnica contextual sobre el dispositivo, todo lo que el agente de IA haría es proporcionar resultados genéricos que no resuelven el problema o son irrelevantes y luego obligar al cliente a buscar ayuda humana. Este es el tipo de problema de extracción de conocimientos que tuvimos que superar para desplegar IA con nuestros clientes y es donde las organizaciones a menudo fallan al obtener los resultados que desean.

Mi propia investigación se centró en la extracción de conocimientos y la recuperación de información de grandes colecciones de documentos, explorando la relación entre “eventos”, un término en la disciplina de IA que se utiliza para definir la causalidad subyacente y el marco de tiempo de cualquier tipo de representación de información. Aplicamos esto en MCE dentro de nuestras soluciones de IA para la interacción humana, construyendo una comprensión estructural que puede ayudar a los LLM a resumir, representar y buscar conocimientos para resolver un problema del cliente.

Has publicado investigaciones en conferencias de NLP de alto nivel, incluyendo ACL, EMNLP y NAACL. ¿Cuáles han sido los avances más importantes en los últimos cinco años que han tenido el mayor impacto en el mundo real, y ¿cuáles son los avances más publicitados que crees que están actualmente sobrevalorados?

Hay algunos avances que destacan para mí y estos suceden en una progresión a medida que los LLM se desarrollan.

El primero fue alrededor de la afinación de instrucciones y la ingeniería de prompts. Esto tuvo que ser resuelto primero antes de alcanzar una adopción más amplia. Todos hemos estado allí donde se le pide a un LLM algo específico y va en círculos, acercándose pero no obteniendo la respuesta que se necesita. Así que averiguar cómo los modelos podían entender el prompt y entregar resultados precisos fue un gran paso.

Por extensión, el siguiente avance fue para los agentes, que necesitaban que los LLM fueran más allá de tareas de un solo prompt y realmente hicieran algunas cosas: crear planes, interactuar con un usuario final, usar herramientas, usar memoria y acceder a conocimientos. Esto fue esencial para llegar a donde estamos hoy.

Pero el siguiente avance, que está parcialmente resuelto pero en progreso, es resolver completamente el problema de la alucinación. Hasta ahora, ha habido suficiente progreso para que podamos confiar en los LLM mucho más que antes. Pero todavía hay trabajo por hacer y otra razón por la que la supervisión humana y los guardrails siguen siendo esenciales.

Lo que está sobrevalorado es el grado de autonomía que la gente afirma que los agentes deberían tener. Los sistemas completamente autónomos que operan en entornos de negocios complejos sin supervisión humana todavía no son lo suficientemente confiables en mi opinión. Lo que encuentro más productivo es diseñar IA para realizar tareas de alto valor, escalar la incertidumbre y explicar su razonamiento, sin ceder el control humano del flujo general. Ese es el lugar donde la IA agente creará el valor más real en el corto plazo.

Has trabajado como investigador, arquitecto de software, líder de ingeniería, asesor de startups y ahora como Director de IA. ¿Cómo ha cambiado tu definición de IA exitosa a lo largo de las diferentes etapas de tu carrera?

A lo largo de mi carrera, he aprendido que la definición de IA exitosa continúa evolucionando y los diferentes valores centrales están a través de las disciplinas. La investigación aplicada y la arquitectura me enseñaron que la IA debe funcionar bajo restricciones del mundo real. La investigación académica me enseñó la importancia de la rigidez y la evaluación. El liderazgo de ingeniería me mostró que la ejecución y la disciplina operativa importan tanto como el modelo en sí. Asesorar a startups me enseñó que la IA crea el mayor impacto cuando resuelve un problema real y tiene un camino claro hacia la adopción.

Hoy en día, como jefe de IA en MCE, defino el éxito como la IA que crea valor medible mientras gana la confianza del usuario final. Debe mejorar los resultados para los clientes, los empleados y el negocio, ser lo suficientemente confiable para la producción, transparente enough para ser gobernada y útil enough para que la gente realmente la adopte. En ese sentido, mi definición ha evolucionado de “¿Funciona la tecnología?” a “¿Crea valor de manera responsable, repetidamente y a escala?”

Esta también es la transición que hicimos en MCE, una que comenzó hace dos años y nos llevó a donde estamos ahora. El último valor es cómo pensamos sobre la IA ahora para casos de uso internos y para nuestros clientes en telecomunicaciones.

MCE Systems está aplicando IA para la experiencia del cliente, la atención al cliente y el marketing en telecomunicaciones. ¿Cuáles son los casos de uso de IA más convincentes que actualmente están surgiendo dentro de la industria de las telecomunicaciones?

Los proveedores de servicios de comunicación (CSP), o “operadores” como se les llama comúnmente, están en una posición difícil, donde enfrentan un problema de commodity. El precio es realmente la fuerza atractiva para atraer a nuevos clientes o retenerlos, pero no es sostenible. Si miras a otros gigantes que venden productos o servicios al consumidor, como Apple (AAPL ), Amazon (AMZN ) o Netflix (NFLX ), construyeron un gran producto y una experiencia alrededor de él. Esto se jugó claramente en finanzas, por ejemplo, donde los bancos fueron forzados por nuevos jugadores ágiles a moverse desde mantener las inversiones y ofrecer productos de inversión a también ofrecer una experiencia digital completa alrededor de ellos. Lo mismo con las telecomunicaciones.

Así que nuestra visión es ayudar a agregar valor a los clientes de los CSP con una mejor experiencia sobre el producto de conectividad que ya proporcionan. Esto significa ser más proactivo y comunicativo con los clientes sobre su experiencia general de red y dispositivo. Y para nosotros, la IA es lo que finalmente les permite hacerlo bien.

En la industria, sin embargo, se ha convertido en una herramienta defensiva para reducir los costos laborales de los centros de llamadas o hacer que los empleados sean más productivos. Pero para nosotros, la IA es también una herramienta ofensiva para ser proactivo con la atención al cliente y personalizar el servicio y lo que se ofrece a los clientes, todo en el dispositivo móvil del cliente.

Por ejemplo, detectar un problema de dispositivo o conectividad o un problema de degradación de la batería antes de que el cliente lo note y ayudarlos a solucionarlo. Esas experiencias construyen lealtad genuina. Saber la situación del cliente lo suficientemente bien como para ofrecer el paquete de banda ancha adecuado, la adición de datos o el producto de estilo de vida en el momento adecuado impulsa una mayor conversión. Y reunir señales de activos de red, CRM y datos de dispositivos para predecir con precisión la rotación y actuar temprano es quizás el caso de uso más poderoso de todos. Los CSP que lo hagan correctamente tendrán una ventaja significativa.

Hay mucho revuelo sobre convertirse en “nativo de IA” o “listo para IA”. ¿Cómo se acerca MCE a este paradigma y qué puntos importantes crees que las organizaciones pasan por alto en esta transformación?

Lo que muchos pasan por alto es que la transformación de IA no es solo una implementación de tecnología, sino también un cambio en la forma de operar. Las mejores oportunidades son donde la adopción se siente natural: el flujo de trabajo ya existe, el dolor es medible y la IA puede mejorar claramente la velocidad, la calidad o la toma de decisiones. MCE se acerca a este paradigma con algunas ideas.

Comenzamos preguntando sobre la madurez de las herramientas de IA y adoptando IA de maneras que multipliquen la productividad de los empleados. Preguntamos cómo podríamos educar a nuestros equipos, definir directrices de uso claras y conectar sistemas internos a la IA donde realmente podría hacer una diferencia día a día.

Una vez que evaluamos nuestra base de herramientas, miramos la automatización del flujo de trabajo e identificamos dónde los agentes podrían reducir el trabajo manual. Naturalmente, encontramos que podríamos reducir drásticamente el tiempo de desarrollo. En un ejemplo, una aplicación de alto rendimiento y funcionalidad tardó solo un par de días en crearse cuando normalmente habría tardado dos o tres semanas.

Lo que a menudo se subestima para la productividad interna es la democratización de los datos. Trabajamos y seguimos trabajando en hacer un mejor uso de nuestros datos internos para que tanto los humanos como los sistemas de IA tomen mejores decisiones. Esto incluye comprender las necesidades del cliente, mejorar las operaciones y construir productos que aprendan de la experiencia pasada. Es un proceso iterativo y analítico para evaluar qué funciona y qué no.

Muchas organizaciones están corriendo para desplegar agentes de IA. ¿Qué lecciones prácticas has aprendido sobre dónde la IA autónoma puede crear valor genuinamente versus dónde la supervisión humana sigue siendo esencial?

Es fácil dejarse llevar por el entusiasmo por la automatización. Pero creo en abordar a los agentes de manera metódica. Te aconsejaría nunca comenzar con un nivel de automatización objetivo; en su lugar, comienza identificando flujos de trabajo donde los agentes puedan crear valor, divídelos en piezas más pequeñas y pregunta cuáles de las piezas se pueden automatizar completamente, cuáles semi-automatizar y dónde se necesita el juicio humano.

En la práctica, encontramos que los agentes crean el mayor valor cuando se utilizan en tareas altamente definidas, que van desde la recopilación de información hasta el análisis de entradas, la generación de recomendaciones y la preparación de salidas para el siguiente paso. La automatización afinada donde la tarea es lo suficientemente simple funciona mucho mejor que tratar de automatizar todo un proceso complejo.

Donde los humanos siguen siendo esenciales es en la supervisión, el manejo de excepciones, las decisiones sensibles al cliente y, en general, situaciones donde la rendición de cuentas es importante. El objetivo nunca es reemplazar la toma de decisiones humana, sino permitir que los agentes manejen las partes donde pueden crear valor de manera confiable mientras dejan que los humanos manejen las decisiones que requieren rendición de cuentas.

MCE ha hablado sobre el uso de IA para ofrecer experiencias de dispositivo más personalizadas y mejorar la eficiencia operativa para los operadores móviles. ¿Cómo equilibras la personalización con las crecientes preocupaciones sobre privacidad, transparencia y confianza del usuario?

Debido a que la IA se siente tan humana, los usuarios interactúan con ella de maneras que exponen más de lo que deberían. Eso pone una gran responsabilidad en las organizaciones para ser vigilantes y transparentes sobre qué datos se recopilan. Un ejemplo simple: cuando un cliente envía una captura de pantalla como parte de un proceso de solución de problemas, esa imagen puede capturar involuntariamente información personal en su pantalla. Es imperativo que las organizaciones apliquen salvaguardas para recortar la imagen y eliminar el contenido excesivo, manteniendo el enfoque en exactamente lo que la interacción se trata y reduciendo la exposición de datos innecesaria.

Para mí, cualquier dato que recopilemos debe servir claramente a los intereses y necesidades del cliente. Debe recopilarse solo cuando apoye un propósito específico, como resolver la consulta del cliente o proporcionar un grado apropiado de personalización. Al mismo tiempo, los datos deben manejarse de una manera que preserve la privacidad, evitando cualquier enlace innecesario a la identidad real del cliente.

En otras palabras, entiende el perfil específico del cliente en relación con tu negocio. En nuestro caso, como una organización que cumple con la privacidad, se trata de conocer el estado del dispositivo móvil y el comportamiento del usuario en relación con el proveedor, no sobre la identidad del cliente y otros tipos de comportamiento.

Lo que también importa es la interacción con el cliente en sí. Los guardrails son críticos aquí para mantenerse dentro del propósito, la voz de la marca y realmente evitar desviarse más allá de lo que las organizaciones están listas para gobernar. En la práctica, los guardrails ayudan a evitar violaciones legales o regulatorias y experiencias negativas del cliente. A veces, estos pueden ser procesos agotadores, pero son esenciales.

Has enseñado temas que van desde los fundamentos de la informática hasta la recuperación de información y la minería de datos. Si estuvieras diseñando un plan de estudios de IA para estudiantes que ingresan a la fuerza laboral hoy en día, ¿qué temas priorizarías y qué conceptos obsoletos eliminarías?

El plan de estudios necesita cambiar de dos maneras. Temas que antes estaban limitados a programas de posgrado, como redes neuronales, transformadores, modelos de lenguaje grande, generación mejorada, evaluación, alineación y IA responsable, deben convertirse en temas básicos de pregrado. Los estudiantes que ingresan a la fuerza laboral necesitan entender cómo funcionan estos sistemas y cómo evaluarlos críticamente.

Los estudiantes también necesitan aprender a usar la IA de manera responsable como una herramienta para el aprendizaje y la investigación. Eso significa cuestionar las salidas, verificar las fuentes, entender las limitaciones y tratar la IA como un compañero de pensamiento en lugar de un atajo para hacer la tarea.

Lo que no cortaría es las matemáticas y los fundamentos algorítmicos. Argumentaría que son tan importantes como siempre. Lo que reduciría son las tareas que recompensan la implementación mecánica sin demostrar pensamiento crítico. El enfoque debería cambiar hacia la formulación de problemas, la evaluación, el diseño de sistemas y el uso responsable.

Al haber asesorado a numerosas startups sobre la estrategia de IA, ¿cuáles son los errores más comunes que cometen los fundadores al construir productos de IA, y qué separa a las empresas que tienen éxito al moverse de un prototipo a la producción?

El error más común que veo es enamorarse de la tecnología antes de entender realmente el problema, el cliente o el camino hacia la adopción. Un error cercano es no conocer bien las limitaciones de la IA, así que la fuerzan en casos de uso donde simplemente no está madura enough.

Lo que separa a los fundadores que logran una producción exitosa es la profunda experiencia en el dominio y la actitud de investigación. Los mejores productos de IA provienen de fundadores que entienden un vertical específico lo suficientemente bien como para identificar una brecha de tecnología real. No comienzan con “¿Qué podemos hacer con la IA?” sino con “Aquí hay un problema específico, aquí está por qué las soluciones existentes en el mercado no dan la talla y aquí está por qué la IA puede resolverlo de manera sostenible ahora”.

Además, los fundadores exitosos aprenden constantemente de los clientes, los competidores, los asesores y los intentos fallidos. Estudian cómo se toman las decisiones, cómo se mueven los presupuestos y qué crea confianza para su audiencia objetivo. Al final del día, no están construyendo solo un producto, están construyendo algo que necesita sobrevivir en un entorno real y no solo para su propio sake.

Mirando hacia adelante cinco años, ¿crees que el impacto más grande de la IA provendrá de modelos de fundamentación más poderosos, sistemas agenticos, IA multimodal, inteligencia en el dispositivo o una tendencia completamente diferente que la industria está subestimando actualmente?

El impacto más grande no provendrá solo de mejoras en los modelos de fundamentación, sino de cómo los modelos se integran en sistemas que pueden observar y actuar dentro de flujos de trabajo reales mientras mejoran. Ese cambio de modelo poderoso a sistema capaz es donde espero el progreso más significativo en el corto plazo.

Esto se volverá especialmente fuerte cuando los sistemas se vuelvan completamente multimodales, razonen sobre texto, voz, imágenes, video y otras señales de contexto del mundo real que pueden emular estrechamente cómo los humanos entienden el mundo. Esto abrirá nuevas posibilidades en soporte al cliente, atención médica, fabricación, etc.

Otra tecnología emergente que creo que se volverá disruptiva son los agentes que interactúan con el mundo físico. Empresas como Boston Dynamics ya están mostrando el arte de lo posible y el potencial de cuando la percepción, el razonamiento, la planificación y la acción física convergen. Ya sea en forma humana o en sistemas robóticos especializados, los agentes con cuerpos pueden demostrar ser una de las expresiones más tangibles y revolucionarias de la IA que veremos en los próximos cinco años. Para MCE, esto crea oportunidades en logística y flujos de trabajo operativos, donde muchas tareas repetitivas y de baja complejidad todavía requieren interacción humana física. Ejemplos incluyen recoger un dispositivo, presionar botones, conectar cables o mover dispositivos entre estaciones. Estos son candidatos ideales para la automatización a través de la robótica y la IA que permiten que los sistemas sean más eficientes, consistentes y manejen mucho más volumen.

Para las telecomunicaciones, ser capaz de predecir la rotación del cliente y actuar sobre ella con modelos de IA es donde estará el dinero en los próximos años. Si puedes construir un modelo confiable que incorpore datos de todos los diferentes puntos del cliente, puede evaluar con precisión la probabilidad de rotación y luego actuar sobre ella, habrás resuelto un problema estancado para los proveedores. Gracias por la gran entrevista, los lectores que deseen aprender más deben visitar MCE Systems.