Durante los últimos años, la IAG ha ido adquiriendo cada vez más relevancia. Los modelos cognitivos han evolucionado notablemente con la aparición de nuevas arquitecturas de redes neuronales y métodos de entrenamiento, que están permitiendo mejorar la utilización del lenguaje natural (NLP) en los sistemas de datos y los sistemas informáticos en general.
Estos modelos son cada vez más potentes y harán que la IAG se convierta en una fuerza transformadora (así lo hemos visto desde sus orígenes en 2022, con modelos pioneros como DALL-E 2, GPT-3 y Stable Diffusion) que mejorará todos los procedimientos corporativos. Lo hará a través de la analítica y de la interacción con los datos mediante el lenguaje natural, lo que democratizará su uso.
Las técnicas relacionadas con esta tecnología evolucionan sin cesar y las barreras para acceder a ellas son cada vez más bajas. Los modelos fundacionales preconstruidos y las interfaces y frameworks de uso más intuitivo han derribado las limitaciones que encontrábamos antes para construir soluciones basadas en modelos cognitivos.
Sin embargo, para obtener todos los beneficios posibles, es esencial definir las estrategias —técnicas y metodológicas— de fundación e implantación, tanto generales como particulares. Por este motivo siempre se recomienda llevar a cabo una aproximación holística a los proyectos de IAG en el entorno empresarial, que tenga en cuenta las particularidades de cada negocio.
Aproximación holística a la IAG
La implantación de soluciones en el ámbito de la IAG conlleva una serie de retos que, en muchos casos, requieren contar con un partner especializado. Esto hará posible construir sistemas que faciliten la gestión de los nuevos modelos y que permitan hacer un uso correcto de ellos. Todos estos retos responden a tres características específicas de este tipo de soluciones: la complejidad algorítmica, una metodología específica en el diseño de la solución y un marcado carácter tecnológico.
En cuanto a los algoritmos, la complejidad de este tipo de soluciones subyace en que la naturaleza de sus técnicas ha cambiado respecto a las utilizadas en los casos de uso más tradicionales, como el forecasting o los problemas de clasificación, lo cual hace necesario contar con nuevos conocimientos.
La IAG tiene múltiples aplicaciones en ámbitos tan dispares como los call centers, las Administraciones Públicas o el sector turístico
Además, se ha producido un cambio importante en la metodología que se aplica, forzado por la introducción de nuevos conceptos, como los modelos fundacionales, el transfer learning o el in-context learning, en los que el mayor esfuerzo no se centra en la parte más algorítmica, sino en cómo, a partir de un modelo ya preconstruido, interactuamos, le damos el contexto y evaluamos su grado de acierto.
Para finalizar, en relación con el ámbito meramente tecnológico, las arquitecturas tradicionales de ciencia de datos han sufrido una gran transformación debido el empleo de modelos preentrenados que se consumen como servicio.
Las arquitecturas SaaS adquieren una mayor importancia y los retos proceden con frecuencia de la necesidad de escalar correctamente los sistemas para que puedan afrontar un elevado número de peticiones recurrentes, haciéndolos evolucionar hacia sistemas más fácilmente integrables con los adyacentes. Esto permitirá facilitar insights de negocio o sistemas de ingeniería de datos, que ayudarán, por ejemplo, a tener sistemas de diccionarios de datos con una capa de explicabilidad potenciada con IAG.
Otro de los retos que plantea la IAG es el trabajo de evaluación y monitorización. Para mejorar progresivamente su funcionamiento, es esencial tener en cuenta tanto el feedback proporcionado por los propios usuarios como los registros obtenidos por el sistema. Así, a medida que el usuario interactúa con él, se van sucediendo diferentes preguntas y respuestas, cuya calidad se evalúa de manera continua a partir de las siguientes interacciones del usuario.
Otras variables, como la duración de la conversación o la tasa de retención de usuarios, permiten también saber cuánto tiempo se interactúa con la herramienta y el valor que se extrae de ella.
Por último, este año también seremos testigos de la construcción de potentes soluciones híbridas de IA que combinen las capacidades de los modelos generativos con las de los algoritmos tradicionales de aprendizaje automático. En este tipo de soluciones aprovecharemos las capacidades de los modelos cognitivos para la extracción de características complejas de la información no estructurada, utilizándolos posteriormente como datos de entrada en el proceso de aprendizaje de los modelos de ciencia de datos más tradicionales.
Un claro ejemplo de este tipo de soluciones puede ser la creación de modelos de perfilado de clientes con variables que se construyan analizando sus llamadas u otras interacciones.
Casos de uso
La IAG tiene múltiples aplicaciones en todo tipo de sectores. Por citar solo algunos ejemplos, en el ámbito de los call centers puede realizar análisis en tiempo real de las llamadas entrantes para detectar el sentimiento del cliente y poder proponer al agente acciones comerciales según el tono y desarrollo de esta. En entornos más técnicos y de ingeniería de datos, se puede usar como asistente de los data engineers para generar código.
Nosotros ya hemos trabajado en diferentes proyectos de IAG que han dado lugar a una mejora de la eficiencia corporativa. Por ejemplo, en la Administración Pública hemos ayudado a detectar el fraude en la contratación gracias a la construcción de un sistema de análisis de todo tipo de documentos y con capacidades de procesamiento a gran escala.
Otro de los retos que plantea la IAG es el trabajo de evaluación y monitorización
Además, en una gran corporación del sector viajes hemos construido un sistema que, a partir de lenguaje natural, es capaz de generar código SQL; de este modo, la exploración de datos queda al alcance de más usuarios, al reducirse los conocimientos técnicos necesarios para servirse de ella.
En una gran empresa del sector de la fabricación, hemos construido un chatbot multipropósito con capacidades de generación de gráficos y extracción de insights de negocio a partir de los datos almacenados en el data warehouse. Todo ello sin olvidar que también trabajamos activamente con numerosos partners como Snowflake, Databricks, Microsoft o Google para ayudar a nuestros clientes a aprovechar las soluciones híbridas de IA.
El dato, la analítica: visión de futuro
La IAG revolucionará el mundo de los datos y la analítica. Su capacidad para sintetizar, mejorar la calidad e impulsar el análisis predictivo permitirá a las organizaciones aprovechar todo el potencial de la información.
Esta unión entre la inteligencia humana y la IAG impulsará la innovación, alumbrará nuevos descubrimientos y marcará el comienzo de una nueva era de excelencia basada en los datos. Eso sí, sin olvidar que su uso conllevará también una gran responsabilidad y será crucial para las empresas afrontar los retos éticos y de seguridad que acompañen a estos avances.
