Raj Shukla, director de tecnología de SymphonyAI – Serie de entrevistas

Raj Shukla Impulsa la hoja de ruta y la ejecución tecnológica de SymphonyAI, liderando el equipo de ingeniería que desarrolla la plataforma de IA Eureka Gen. Con casi 20 años de experiencia en ingeniería e investigación de IA/ML, Shukla también cuenta con una amplia experiencia en SaaS de IA empresarial gracias a sus puestos de liderazgo en ingeniería en Microsoft, donde su exitosa carrera de 14 años incluyó la dirección de organizaciones globales de ciencia e ingeniería de IA en Azure, Dynamics 365, MSR y las divisiones de búsqueda y publicidad. Raj cuenta con una amplia experiencia en IA/ML en búsqueda, publicidad e IA empresarial, y ha desarrollado varios productos SaaS de IA de éxito tanto en el sector de consumo como en el empresarial.

SinfoníaAI es una empresa de IA empresarial centrada en el desarrollo de aplicaciones de IA específicas para cada sector que aportan valor comercial inmediato. En lugar de modelos genéricos, ofrece soluciones verticales para comercio minorista, bienes de consumo, servicios financieros, manufactura, medios de comunicación y TI, abordando retos como la previsión, la prevención del fraude, la optimización operativa y el análisis. Sus productos se basan en la plataforma Eureka AI, que combina capacidades predictivas, generativas y de agencia en flujos de trabajo adaptados a cada sector. Fundada en 2017, la empresa se ha convertido en un líder global en IA vertical, prestando servicios a miles de clientes empresariales con soluciones escalables y centradas en su dominio.

Ha trabajado a la vanguardia de la innovación en IA en Microsoft, Oracle y ahora SymphonyAI. ¿Qué lo atrajo originalmente al mundo de la IA empresarial y cómo ha evolucionado su perspectiva a lo largo de los años?

Mi trayectoria en la IA empresarial comenzó con la convicción fundamental de que las empresas deberían implementar una IA que resuelva problemas empresariales reales, no solo crear IA por el mero hecho de crearla. He visto que las soluciones de IA genéricas y de amplio alcance rara vez aportan un valor transformador. En SymphonyAI, hemos basado nuestra estrategia y cultura empresarial en el desarrollo de una IA que comprenda los desafíos específicos de cada sector, desde la detección de delitos financieros hasta la comercialización minorista centrada en el comprador y el empoderamiento de los trabajadores conectados en la industria. La preparación para la empresa añade otra dimensión: una IA empresarial exitosa requiere más que una excelente tecnología; exige una gobernanza y una arquitectura de datos ejemplares, una colaboración y unos flujos de trabajo interfuncionales sofisticados, y una transparencia y auditabilidad totales.

¿Qué deficiencias específicas encuentran las empresas con los modelos genéricos preentrenados, particularmente en sectores fuertemente regulados como las finanzas o la salud? 

Los modelos genéricos preentrenados no están diseñados para entornos altamente regulados y de alto riesgo como las finanzas, la salud y la alimentación. Estos modelos se enfrentan a barreras críticas, como la necesidad de contar con experiencia esencial en el dominio para abordar las particularidades específicas de cada sector y cumplir con los estrictos requisitos regulatorios y de cumplimiento normativo que difieren según la geografía. Y lo que es más importante, no pueden ofrecer la precisión y trazabilidad que requieren las empresas, donde los errores podrían perjudicar a los consumidores o provocar infracciones regulatorias. Ya sea para cumplir con las regulaciones contra el blanqueo de capitales o para permitir que una tienda de comestibles retire rápidamente los productos retirados de los centros de distribución y los estantes, la tecnología de IA vertical de SymphonyAI está diseñada específicamente para los sectores en los que operamos y se ha entrenado en las ontologías de dichos sectores, lo que les permite tomar o automatizar decisiones que generan un impacto directo en el negocio.

La combinación de modelos previamente entrenados con una lógica de dominio profundo se considera cada vez más clave para desbloquear el retorno de la inversión empresarial: ¿cuáles son los componentes esenciales, como el conocimiento de la industria, la alineación con los KPI y las barreras regulatorias, que hacen que este enfoque sea efectivo? 

La combinación de modelos preentrenados con una lógica de dominio profunda genera valor al crear sistemas de IA que comprenden el contexto empresarial y los requisitos operativos. Este enfoque es eficaz cuando los modelos se optimizan con ontologías específicas de cada sector, se alinean con los KPI empresariales para garantizar que los resultados contribuyan directamente a objetivos empresariales medibles y cuentan con las protecciones regulatorias que proporcionan los marcos de cumplimiento normativo y los registros de auditoría necesarios. Cuando estos elementos funcionan en conjunto, la IA genérica se transforma en soluciones cruciales para el negocio que generan resultados medibles, manteniendo la fiabilidad y el cumplimiento normativo que exigen las empresas.

IBM adquirió recientemente Seek AI y lanzó Watsonx Labs en la ciudad de Nueva York, lo que señala un posible cambio estratégico en el panorama de la IA: ¿qué indica esto sobre el futuro de las fusiones y adquisiciones y las tendencias de inversión en IA empresarial? 

La adquisición de Seek AI por parte de IBM y el lanzamiento de Watsonx Labs confirman el cambio fundamental que anticipábamos: el panorama de la IA empresarial ha cambiado, lo que indica que la próxima ola de fusiones y adquisiciones priorizará a las empresas con modelos de IA verticales preentrenados, con un profundo conocimiento del sector, marcos regulatorios y de gobernanza, y KPI orientados a resultados. Los compradores estratégicos como IBM reconocen que los agentes de IA centrados en datos empresariales ofrecen un retorno de la inversión inmediato cuando comprenden los flujos de trabajo específicos del sector. El mercado se está consolidando en torno al reconocimiento de que la inteligencia general requiere especialización vertical para impulsar la transformación empresarial.

¿En qué momento un modelo de base evoluciona hacia un agente específico de dominio? ¿Qué hitos arquitectónicos señalan esta transición? 

Un modelo base no se convierte de forma natural en un agente de dominio; debe diseñarse para convertirse en uno. No existe una ruta directa para que un modelo general simplemente se vuelva más inteligente y se convierta en un investigador bancario. La transición solo ocurre cuando los equipos de ingeniería dejan de depender de la inteligencia bruta del modelo y comienzan a construir la arquitectura gobernada en torno a él, específicamente inyectando una capa de contexto (como un Gráfico de Conocimiento) y una capa de orquestación para obligar al modelo a seguir un proceso de negocio en lugar de sus propias tendencias probabilísticas.

¿Cuáles son los principales desafíos en la creación de flujos de trabajo agentes que sean resilientes y específicos para cada sector vertical, y cómo los aborda SymphonyAI? 

Los principales desafíos para crear flujos de trabajo de agentes resilientes y específicos para cada sector son mantener la fiabilidad en procesos complejos de múltiples pasos. SymphonyAI aborda estos desafíos mediante su arquitectura multicapa, que integra la experiencia del dominio directamente en el agente, implementa la gestión de errores con recuperación ante fallos y mantiene una gestión de contexto persistente en procesos empresariales multisesión. Esto permite a nuestros agentes operar de forma fiable en entornos regulados de alto riesgo, donde la resiliencia implica mantener la precisión, el cumplimiento normativo y la integridad operativa.

SymphonyAI enfatiza bases de datos sólidas, gráficos de conocimiento y capas de metadatos: ¿por qué estas capacidades son críticas para los agentes de IA verticales y por qué muchas empresas tienen dificultades para implementarlas? 

Unas bases de datos sólidas y grafos de conocimiento son cruciales para que los agentes de IA de sectores verticales cuenten con fuentes significativas, ofrezcan recomendaciones contextualizadas y se mantengan al día con los cambios del mercado, los clientes y los procesos en todos los niveles de la empresa. La mayoría de las empresas tienen dificultades para implementar estas capacidades porque requieren una inversión inicial considerable en arquitectura de datos, conocimientos especializados en ontología y cambios fundamentales en las prácticas de datos existentes que muchas organizaciones consideran abrumadoras, tanto organizativa como técnicamente. Es aquí donde un socio tecnológico de IA con amplia experiencia y conocimiento en ese sector resulta invaluable, incluyendo su capacidad para preentrenar la IA con grandes cantidades de datos y fuentes de dominio de una gran cantidad de clientes reales de ese sector.

En escenarios del mundo real, como la detección de delitos financieros o las previsiones minoristas, ¿cómo combina SymphonyAI la IA predictiva, generativa y agente en “habilidades” cohesivas?

SymphonyAI fusiona la IA predictiva, generativa y agente en habilidades cohesivas mediante la creación de flujos de trabajo integrados donde cada producto de IA aborda un problema empresarial específico. En la detección de delitos financieros, nuestros modelos predictivos identifican patrones de transacciones sospechosas, y la IA generativa genera informes de investigación detallados y evaluaciones de riesgos. Al mismo tiempo, la IA agente orquesta todo el flujo de trabajo, escalando casos automáticamente, coordinándose con los equipos de cumplimiento y adaptando las estrategias de investigación según los hallazgos en tiempo real.

La clave es que estas no son herramientas de IA separadas, son capacidades integradas dentro de agentes específicos del dominio que entienden el contexto comercial, mantienen el estado del flujo de trabajo y pueden realizar una transición sin problemas entre el análisis predictivo, la generación de contenido y la acción autónoma para ofrecer resultados comerciales completos en lugar de resultados de IA fragmentados.

Ha advertido que muchos agentes de IA empresariales pueden tener problemas si no son robustos: ¿cuáles son las características clave de un agente de IA empresarial tolerante a fallos y bien diseñado? 

Los agentes de IA empresarial bien diseñados y preparados para el escrutinio requieren varias características críticas. Si bien muchas empresas invierten e implementan rápidamente agentes de IA para mejorar la eficiencia, la productividad y la innovación, a menudo subestiman la base necesaria para el éxito. Algunos aspectos vitales que los agentes bien diseñados necesitan para tener éxito son:

• Los agentes de IA empresarial operan con datos empresariales, que suelen estar aislados y carecen de acceso programático, permisos y controles de acceso adecuados. Los agentes deben contar con las mismas opciones de autenticación y autorización que los empleados.
• Los agentes también necesitan recuperarse de todo tipo de fallos del sistema empresarial, interrupciones de la red y puntos finales inestables. La capa de orquestación debe permitir flujos de trabajo duraderos, de larga duración y con tolerancia a fallos, algo que la mayoría de los orquestadores LLM más populares no ofrecen.
• Los LLM serán no deterministas y fallarán en las tareas. La recuperación ante fallos, los reintentos y el descubrimiento de la ruta óptima deben ser características clave de los sistemas agentísticos.

Para los CTO que estén considerando construir plataformas de IA verticales internamente en lugar de asociarse con proveedores especializados, ¿qué consejo les daría? 

Desarrollar soluciones de IA empresarial en múltiples sectores, como el comercio minorista/bienes de consumo masivo, la industria, los servicios financieros y más, requiere dominar simultáneamente la tecnología de IA de vanguardia y un profundo conocimiento del sector para obtener un valor real de las soluciones de IA empresarial. Nuestra plataforma de IA Eureka demuestra cómo las fuentes de datos, los gráficos de conocimiento, los modelos predictivos y los agentes específicos de cada sector deben adaptarse a cada industria. Sin embargo, esto implica años de inversión en investigación e iteración con clientes, algo de lo que carecen la mayoría de los equipos internos. A las empresas y directores de tecnología que buscan invertir en IA, les recomiendo elegir soluciones que ofrezcan resultados reales desde el primer día. Las soluciones de IA verticales proporcionan esos resultados, proporcionando a los usuarios datos que pueden utilizar para generar valor empresarial.

De cara al futuro, ¿cómo imagina las arquitecturas de IA empresarial? ¿Los agentes verticales federados basados ​​en modelos de base compartidos se convertirán en la norma?

No solo veremos agentes federados, sino también arquitecturas de agentes gobernados. Si bien los modelos de base compartidos proporcionan el motor de razonamiento, son esencialmente productos básicos. La norma para las empresas exitosas será implementar agentes verticales especializados que no solo se comuniquen entre sí, sino que estén rigurosamente orquestados a través de una capa de contexto compartida. Si solo se tienen agentes federados basados ​​en modelos de base, se obtiene un sistema ruidoso y propenso a alucinaciones, lo que llamamos la "tubería con fugas" de la IA empresarial. Para que esta arquitectura escale en producción, se necesitan tres capas específicas que van más allá de la simple federación:

• Contexto (El gráfico de conocimiento del dominio): Los agentes necesitan compartir una única fuente de verdad, no sólo intercambiar probabilidades.
• Orquestación: Se necesita un "arquitecto maestro" que decida cuándo utilizar un agente especializado y cuándo mantener a un humano al tanto.
• Gobernanza: La salida debe ser legal y operativamente segura antes de salir del sistema.

Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar SinfoníaAI.