La Empresa Inteligente: Hacer que la Inteligencia Artificial Generativa esté lista para la empresa

Comencemos aquí: Sí, las oportunidades para la Inteligencia Artificial Generativa (GenAI) son inmensas. Sí, está transformando el mundo como lo conocemos (y más rápido de lo que la mayoría de nosotros predijo). Y sí, la tecnología está volviéndose más inteligente. Sin embargo, las implicaciones para la GenAI, con su capacidad para generar texto, imágenes y narrativas, en las empresas y los negocios son muy diferentes al impacto en el público en general — después de todo, la mayoría de las empresas no escriben poemas o historias (lo que es popular entre los usuarios de ChatGPT), sino que sirven a sus clientes.

Muchas empresas tienen experiencia con el procesamiento de lenguaje natural (NLP) y chatbots de bajo nivel, pero la GenAI está acelerando cómo se puede integrar, interpretar y convertir los datos en resultados empresariales. Por lo tanto, necesitan determinar rápidamente qué casos de uso de GenAI resolverán sus desafíos comerciales más apremiantes y impulsarán el crecimiento. Para entender cómo las empresas pueden hacer que la GenAI esté lista para la empresa con sus datos, es importante revisar cómo llegamos a este punto.

El Viaje desde el NLP al Modelo de Lenguaje Grande (LLM)

La tecnología ha estado tratando de dar sentido a los lenguajes naturales durante décadas. Mientras que el lenguaje humano en sí es una forma evolucionada de expresión humana, el hecho de que los humanos hayan evolucionado en tantos dialectos en todo el mundo — desde símbolos y sonidos hasta sílabas, fonética y lenguajes — ha dejado a la tecnología dependiendo de métodos de comunicación digital más simples con bits y bytes, etc., hasta hace relativamente poco.

Empecé a trabajar en programas de NLP hace casi una década. En ese entonces, se trataba todo de taxonomía y ontología del lenguaje, extracción de entidades y una forma primitiva de base de datos gráfica (en gran medida en XML) para tratar de mantener relaciones y contexto complejos entre varias entidades, dar sentido a las consultas de búsqueda, generar una nube de palabras y entregar resultados. No había nada matemático en ello. Había mucho Ser Humano en el Ciclo para construir bases de datos de taxonomía, mucha parseo de XML y, lo más importante, mucha computación y memoria en juego. Dicho sea de paso, algunos programas fueron exitosos, y la mayoría no lo fueron. El aprendizaje automático vino después con múltiples enfoques para el aprendizaje profundo y las redes neuronales, etc., acelerando la comprensión del lenguaje natural (NLU) y la inferencia del lenguaje natural (NLI). Sin embargo, había tres factores limitantes — la potencia de cómputo para procesar modelos complejos, el acceso a volúmenes de datos que puedan enseñar a las máquinas y, principalmente, un modelo que pueda autoaprender y autocorregir formando relaciones temporales entre frases.

Avanzando dos décadas después, y las GPU entregan una gran potencia de cómputo, las redes neuronales autoenseñantes y evolutivas son la norma, los modelos de aprendizaje supervisado/no supervisado/semisupervisado existen todos, y, sobre todo, hay un mayor acceso a grandes cantidades de datos en varios idiomas, incluyendo varias plataformas de redes sociales, que estos modelos pueden entrenar. El resultado son motores de IA que pueden conectarse con usted en su lenguaje natural, entender la emoción y el significado detrás de sus consultas, sonar como un ser humano y responder como uno.

Todos, a través de nuestra presencia en las redes sociales, hemos sido sin saberlo un ‘Ser Humano’ en el ‘Ciclo’ para entrenar estos motores. Ahora tenemos motores que afirman haber sido entrenados en trillones de parámetros, capaces de tomar cientos y miles de parámetros de entrada, que son multimodales y responden a nosotros en nuestro idioma. Ya sea que sea GPT4/5, PaLM2, Llama o cualquier otro LLM que se haya publicado hasta ahora, están surgiendo como solucionadores de problemas verticales más contextuales.

Sistemas de Compromiso y Sistemas de Registro

Mientras que el viaje desde los NLP hasta los LLM ha sido genial gracias a la Evolución de Silicon, los modelos de datos y la disponibilidad de grandes cantidades de datos de entrenamiento que todos hemos generado, las Empresas — proveedores minoristas, fabricantes, banca, etc. — cada una necesitan aplicaciones muy diferentes de esta tecnología. Primero, las empresas no pueden permitirse alucinación de IA — necesitan 0% de alucinación y 100% de precisión para los usuarios que interactúan con la IA. Hay una serie de consultas que exigen precisión absoluta para ser de algún uso comercial — por ejemplo, ¿Cuántas habitaciones hay disponibles en su hotel? ¿Tiene un boleto de primera clase disponible?

Para contrarrestar la alucinación de IA, entra la antigua concepto de Sistemas de Compromiso y Sistemas de Registro. Los Sistemas de Compromiso, sea con sus clientes, proveedores o empleados, pueden aprovechar una plataforma conversacional basada en GenAI fuera de la caja, después de ser entrenada para prompts comerciales específicos — esa es la parte “más fácil”. El desafío es incorporar los Sistemas de Registro en la cadena de valor. Muchas empresas todavía están en un mundo estático de tablas y entidades basadas, y permanecerán de esa manera porque la mayoría de las empresas son estáticas a nivel organizacional o corporativo, mientras que los eventos y flujos de trabajo las hacen dinámicas a nivel transaccional.

Aquí es donde hablamos de plataformas conversacionales de próxima generación que no solo abordan conversaciones, interfaces y consultas, sino que también llevan los viajes del cliente todo el camino hasta el cumplimiento. Hay diferentes enfoques arquitectónicos para dichas plataformas conversacionales. Una opción inmediata es utilizar middleware híbrido que actúe como consolidador entre datos empresariales vectorizados y etiquetados y prompts conversacionales impulsados por LLM, y entrega un resultado de 0% de alucinación a los consumidores.

Hay una gran cantidad de trabajo de preparación de datos requerido por las empresas para hacer que sea inteligible para un motor LLM. Lo llamamos aplanamiento de los modelos de datos tradicionales impulsados por tablas y entidades. Las bases de datos gráficas, que representan y almacenan datos de una manera que las bases de datos relacionales no pueden, están encontrando un nuevo propósito en este viaje. El objetivo es convertir las bases de datos empresariales en bases de datos gráficas más inteligibles con relaciones que definen contexto y significado, lo que facilita que los motores LLM aprendan y, por lo tanto, respondan a prompts de los clientes finales a través de una combinación de consultas conversacionales y en tiempo real. Esta tarea de habilitar los datos empresariales para que estén listos para LLM es la clave para proporcionar una experiencia de Sistemas de Compromiso a Sistemas de Registro de principio a fin y llevar las experiencias del usuario todo el camino hasta el cumplimiento.

Qué Viene a Continuación

En este punto, con estos avances en datos y IA, el impacto más inmediato se produce en el área de generación de código de software — como se evidencia en el auge de Microsoft Copilot, Amazone CodeWhisperer y otras herramientas entre los desarrolladores. Estas herramientas están dando un impulso a los programas de modernización de legado, muchos de los cuales a menudo se estancan debido a preocupaciones de tiempo y costo. Con herramientas de generación de código impulsadas por GenAI, estamos viendo que los proyectos de modernización aceleran sus plazos en un 20-40%. En proyectos de desarrollo de código verde, estas herramientas permitirán a los desarrolladores cambiar el tiempo y los ahorros de productividad hacia el pensamiento de diseño y proyectos más innovadores.

Más allá del desarrollo de código de software, las herramientas de GenAI están llevando a la creación de nuevos casos de uso verticales y escenarios que tienen como objetivo resolver los desafíos más apremiantes de las empresas, y apenas estamos empezando a rascar la superficie de lo que se debe hacer para aprovechar al máximo esta tendencia. Sin embargo, ya estamos resolviendo varios problemas y preguntas en el sector minorista y logístico aprovechando GenAI:

¿Cuánto inventario tengo en el almacén y cuándo debo activar el reabastecimiento? ¿Es rentable almacenar con anticipación? ¿Es correcto mi precio de aterrizaje o va a aumentar? ¿Qué artículos puedo empaquetar o qué tipo de personalización puedo ofrecer para elevar mis ganancias?

Responder a este tipo de preguntas requiere una combinación de interfaces conversacionales frontales, consultas de datos impulsadas por alta precisión en la parte posterior y un modelo de aprendizaje automático de dominio pesado que entregue predicciones y orientación futura. Así, mi consejo para las empresas sería, ya sea que sean exploradores de IA o disruptores de IA Generativa, asociarse con proveedores de servicios que tengan experiencia comprobada en IA y capacidades robustas de datos y análisis que puedan armarlos para capitalizar los modelos de GenAI adaptados a sus necesidades comerciales y ayudarlos a mantenerse por delante de la curva.