Superando Desafíos: Por qué las Empresas Luchan por Operacionalizar la IA en la Cumbre de IA NY 2023

Desplegar modelos de IA generativa presenta desafíos significativos para las empresas que buscan pasar de simples pruebas de concepto a una operacionalización efectiva a gran escala. Según los expertos de la industria en la AI Summit New York 2023, superar estos obstáculos comienza por identificar los bloqueos.

Uno de los principales retos es la adquisición y curaduría de los datos adecuados. Sesh Iyer, director gerente y socio sénior en BCG, subrayó la necesidad crucial de contar con un canal de datos sostenible que incluya metadatos bien organizados. Los modelos de IA generativa prosperan con grandes volúmenes de datos, por lo que las empresas deben refinar sus bases de conocimiento para maximizar el potencial de los modelos de lenguaje amplios. Gaurav Dhama, director de desarrollo de productos de IA en Mastercard, también destacó la importancia de una gestión de datos optimizada.

Establecer un marco de gobernanza efectivo para manejar los riesgos inherentes a la IA generativa es otro obstáculo significativo. Existe un “problema de confianza” entre los líderes senior respecto a los riesgos de seguridad, cuestiones de derechos de autor y la posibilidad de inexactitudes generadas por la IA. Lucinda Linde, científica de datos sénior en Ironside, destacó estas preocupaciones, indicando que los líderes deben navegar cuidadosamente estos riesgos para adoptar plenamente la tecnología.

La escasez de profesionales capacitados para aprovechar eficazmente la IA generativa representa otro obstáculo. Muchas organizaciones aún luchan por identificar el valor comercial y el retorno de inversión (ROI) de sus iniciativas de IA, mientras que los costos fluctuantes asociados con la IA generativa contribuyen a la incertidumbre continua.

Dada la naturaleza incipiente de la tecnología de IA generativa, Vik Scoggins, quien lidera la estrategia y el desarrollo de productos de IA/ML en Coinbase, observó: “Aún no es un camino pavimentado”. Este panorama exige que las empresas aborden la IA generativa con cautela. Dhama predice que la IA generativa permanecerá en una “fase de copiloto” durante un período prolongado, especialmente en sectores muy regulados como los servicios financieros, donde la supervisión humana seguirá siendo crucial.

Además, pueden surgir vulnerabilidades de seguridad al utilizar la IA generativa, especialmente en tareas de codificación. Como señaló Dhama, la experiencia de quienes implementan estas herramientas es fundamental. Linde sugirió que las empresas comiencen a desplegar la IA generativa internamente para mejorar la productividad y eficiencia de los empleados, sugiriendo que el uso inicial en funciones administrativas puede preparar el camino para una implementación más amplia a medida que crezca la confianza dentro de la organización.

A pesar de los desafíos asociados con la adopción de nuevas tecnologías, los posibles aumentos de productividad de la IA generativa son atractivos. Iyer estima que las organizaciones pueden experimentar mejoras de eficiencia que oscilan entre el 10% y el 90%.

Otro aspecto crítico para utilizar eficazmente la IA generativa es la diversificación en el uso de la tecnología. Linde destacó la importancia de emplear múltiples modelos de IA generativa, a pesar de la prevalencia de la tecnología de OpenAI en las aplicaciones actuales. El reciente conflicto que involucró al CEO de OpenAI, Sam Altman, subraya los riesgos de depender de un único proveedor.

Explorar diversos modelos es esencial, ya que diferentes sistemas destacan en diferentes áreas. Linde indicó que modelos emergentes, como Mistral, han demostrado un rendimiento excepcional y deben ser considerados como parte de una estrategia más amplia. Dhama coincidió, abogando por una variedad de sistemas para mejorar la resiliencia.

Al diseñar un marco de IA generativa, las consideraciones clave incluyen la precisión, la latencia y el costo. Para destacar en un mercado donde muchas organizaciones utilizan modelos similares, los panelistas enfatizaron que el factor diferenciador radica en la calidad de los datos subyacentes. Como resumió Dhama, “Está en los datos, no en el modelo”.

Maximizar el valor derivado de la IA generativa requiere una intersección estratégica de conocimientos comerciales y ejecución operativa, con un fuerte énfasis en curar los datos adecuados. Iyer concluyó con un recordatorio poderoso: “Si tienes los datos, ganas.”