IA generativa en la empresa: ¿modelos existentes o personalizados?
- Opinión

Héctor Martínez, miembro del equipo Innovation Lab de ABAST, explica en este artículo qué nos ha llevado al desarrollo actual de la Inteligencia Artificial, la importancia de una estrategia de gobernanza y la oportunidad de optar por modelos estándar o personalizados.
Por Héctor Martínez, miembro del equipo Innovation Lab de ABAST
Desde que OpenAI hizo el lanzamiento público de ChatGPT en noviembre de 2022, muchas cosas han cambiado. En estos dos años, la inteligencia artificial generativa ha ganado protagonismo, se ha vuelto más accesible y ha generado una pregunta: ¿cómo aprovecho esta "nueva" tecnología en mis procesos de negocio? Héctor Martínez, miembro del equipo Innovation Lab de ABAST, explica en este artículo qué nos ha llevado al panorama actual, la importancia de una estrategia de gobernanza y la oportunidad de optar por modelos estándar o personalizados.
Orígenes
Para comprender los avances actuales, es necesario ganar perspectiva. La primera red neuronal se presentó en 1951 por Marvin Minsky, y el término Inteligencia Artificial fue acuñado en 1956 durante la famosa conferencia de Dartmouth, promovida por John McCarthy. Sin embargo, ¿por qué seguimos hablando de los mismos conceptos más de 60 años después?
Agosto 1956. Da izquierda a derecha: Oliver Selfridge, Nathaniel Rochester, Ray Solomonoff, Marvin Minsky, Trenchard More, John McCarthy y Claude Shannon.
Los avances en IA han sido intermitentes, y esto se debe a los "inviernos de la inteligencia artificial": períodos en los que, tras grandes avances (primaveras), se perdió la confianza en la tecnología debido a las limitaciones de la época:
- Primer invierno (1974-1980), marcado por las limitaciones tecnológicas de la época.
- Segundo invierno (1987-1993), donde dominaban sistemas expertos en una única tarea, difíciles de mantener o escalar.
- Tercer invierno (2000-2005), una etapa donde el aprendizaje automático se veía restringido por la falta de grandes volúmenes de datos.
¿Qué es lo que ha cambiado?
Algunos de los avances que nos han llevado a una nueva primavera de la Inteligencia Artificial son fácilmente detectables:
- El uso de GPU en IA ha permitido a la IA dar un salto tecnológico.
- La Computación en la Nube ha simplificado la gestión y escalabilidad de las infraestructuras.
- El incremento exponencial de datos disponibles ha dado alas al aprendizaje automático.
- El acceso a grandes volúmenes de datos ha alimentado el aprendizaje automático, permitiendo modelos más precisos y sofisticados.
Pero quizás el cambio más impresionante ha sido lo accesible que se ha convertido la Inteligencia Artificial Generativa, que ha permitido formar el ecosistema necesario para arrancar una primavera de la Inteligencia Artificial. Un momento ideal para la implementación empresarial de estas soluciones, con una mayor comprensión por parte de los usuarios y gran cantidad de ejemplos prácticos en los que inspirarse.
Inteligencia Artificial Generativa
La IA generativa se centra en la generación de contenido, ya sea texto, imágenes, audio, video o código. Debido a la facilidad con la que podemos acceder a ella, es crucial implementar y desplegar una estrategia de gobernanza sobre la IA que no solo garantice el cumplimiento de normativas y regulaciones, sino también que maximice los beneficios derivados de estos sistemas.
Ya sea si la usamos internamente como herramienta de aceleración de procesos, como si nos sirven de interfaz para interactuar con clientes, hay que ayudar a estos modelos a obtener información de primera mano, la nuestra. Podemos dar acceso a un modelo existente con nuestros datos (RAG + embeddings), que previamente será necesario identificar, estandarizar y segmentar. Solución que el área de Business Management Solutions de Abast puede ayudar a desplegar, así como otras más exigentes donde sea necesario realizar un fine-tuning de modelos existentes con los propios datos de la empresa. Esta última opción requiere un mayor tiempo de implementación, pero permite adaptarse al dominio concreto de cada organización.
De todos modos, si necesitamos una mayor flexibilidad y completa adaptación a nuestro campo, la opción es entrenar nuestro propio modelo.
Tu modelo, tus reglas
Si el servicio requiere una mayor flexibilidad, así como adaptación al contexto y las particularidades de tu campo de servicio; la mejor opción es entrenar tu propio modelo desde cero. Estrategia que el área de Business Intelligence and Analytics de Abast puede ayudarte a conseguir, creando un nuevo modelo completamente personalizado, ajustado a las necesidades y objetivos específicos de tu empresa.
En estos casos el conocimiento de la tecnología es fundamental, ya sea para escoger el algoritmo adecuado al proceso o para desplegar una infraestructura adecuada a las necesidades de tiempo o costes.
En Abast, estamos listos para acompañarte en cualquiera de estas estrategias. Podemos apoyarte tanto en la implementación temprana de modelos existentes, integrando bases de conocimiento como documentos no estructurados, bases de datos o documentación interna, como en el diseño de un modelo personalizado. Analizaremos qué algoritmo se adapta mejor a los objetivos de tu empresa y cuál es la infraestructura más adecuada, asegurándonos de que tu solución sea escalable, eficiente y cost-effective.