La Inteligencia Artificial se enfrenta a desafíos: La solución reside en la hibridación
La Inteligencia Artificial (IA), en sus dos vertientes principales, la generativa y la predictiva, confronta importantes limitaciones que comprometen su capacidad para ofrecer valor real. La respuesta a estos desafíos podría estar en la sinergia entre ambas.
El principal inconveniente de la IA generativa radica en su fiabilidad. A pesar de que un alto porcentaje de profesionales del derecho planean utilizar la IA generativa en su trabajo, estas herramientas muestran imprecisiones en un porcentaje significativo de las ocasiones.
Por otro lado, la IA predictiva, pese a su trayectoria de éxito en la optimización de operaciones empresariales a gran escala, solo materializa una pequeña parte de su potencial. Su implementación exige que los interesados posean un nivel de comprensión técnica que, con frecuencia, no se tiene.
Estas dos categorías de la IA tienen el potencial de complementarse para superar sus respectivas debilidades. A continuación, se presentan cinco estrategias para lograr esta colaboración.
1. Intervención Predictiva para la IA Generativa
La IA predictiva puede hacer posible la promesa de autonomía de la IA generativa, o al menos, una parte importante de ella. Al predecir qué casos requieren la intervención humana, un sistema de IA generativa que de otro modo sería inutilizable puede ganar la confianza necesaria para su despliegue generalizado.
Por ejemplo, un sistema de respuesta a preguntas basado en IA generativa puede ser muy fiable si se limita a responder preguntas sobre un conjunto de conocimientos reducido. Sin embargo, su rendimiento se ve comprometido en sistemas más ambiciosos y de mayor alcance. Si el sistema tiene una fiabilidad del 95%, los usuarios recibirán información falsa o problemática el 5% de las veces. Esta tasa de error puede ser inaceptable para su implementación.
La solución es la intervención predictiva. Si la IA predictiva señala para su revisión humana, por ejemplo, el 15% de los casos con mayor probabilidad de ser problemáticos, se podría reducir la tasa de contenido problemático que llega a los usuarios a un nivel aceptable, como el 1%.
2. Asistente Chatbot para la IA Predictiva
La IA generativa es accesible a cualquier persona, ya que está entrenada para responder a preguntas en lenguaje natural. Sin embargo, la IA predictiva no es tan accesible para los usuarios empresariales en general. Para utilizarla, un profesional de negocios necesita la ayuda de científicos de datos, así como una comprensión técnica de cómo los modelos de aprendizaje automático mejoran las operaciones. Dado que esta comprensión suele ser deficiente, la mayoría de los proyectos de IA predictiva no se llegan a implementar, incluso cuando se cuenta con científicos de datos.
Un chatbot de IA puede solucionar este problema. Con la configuración adecuada, pone en manos del usuario empresarial un científico de datos virtual que le guía en el proyecto y responde a cualquier pregunta sobre la IA predictiva en general. Sirve como asistente y socio intelectual que explica, aclara y sugiere, respondiendo a un sinfín de preguntas.
Por ejemplo, para un proyecto de marketing con IA predictiva, se le pidió a un chatbot bien configurado que explicara la curva de beneficios «para un niño de 10 años usando una historia». El chatbot respondió con una descripción encantadora y fácil de entender de los rendimientos decrecientes que se obtienen al comercializar un puesto de limonada.
3. Codificación para la IA Predictiva
A pesar de la experiencia de muchos años en el campo de la ciencia de datos, la faceta de liderazgo intelectual había impedido la práctica directa durante mucho tiempo, hasta el punto de no haber utilizado nunca scikit-learn, que se ha convertido en la solución de código abierto líder para el aprendizaje automático.
Pero ahora, en la era de la IA generativa, empezar es extremadamente fácil. Simplemente se le pide a un LLM: «Escribe código Python para usar scikit-learn para dividir los datos en un conjunto de entrenamiento y un conjunto de prueba, entrenar un modelo de bosque aleatorio y luego evaluar el modelo en el conjunto de prueba. Para los datos de entrenamiento, carga un archivo (local) «XYZ.csv». La variable dependiente se llama «isFraud». Incluye comentarios claros en cada línea. Asegúrate de que tu código se pueda usar dentro de los cuadernos de Jupyter y asegúrate de incluir cualquier línea de «importación» necesaria».
El resultado fue satisfactorio. Además, el código generado sirvió como tutorial para varios usos, sin necesidad de consultar ninguna documentación sobre scikit-learn.
4. Generación de Características Predictivas
Dado que los LLM son adecuados para procesar el lenguaje humano (es decir, el dominio del procesamiento del lenguaje natural y también conocido como procesamiento de datos no estructurados), pueden superar los métodos estándar de aprendizaje automático para ciertas tareas con gran carga lingüística, como la detección de desinformación o la detección del sentimiento de las reseñas en línea.
Para crear una prueba de concepto, se recurrió a un proyecto de Stanford que probó varios LLM en varios puntos de referencia, incluido uno que mide con qué frecuencia un modelo puede establecer si una declaración dada es verdadera o falsa. Bajo ciertos supuestos comerciales, las capacidades de detección resultantes demostraron ser valiosas.
En términos más generales, en lugar de servir como un modelo predictivo completo, un LLM puede servir mejor como una forma de realizar la ingeniería de características, convirtiendo los campos de datos no estructurados en características que pueden servir como entrada para un modelo predictivo. Por ejemplo, Dataiku hace esto, permitiendo al usuario (generalmente, un científico de datos) seleccionar qué LLM usar y qué tipo de tarea realizar, como el análisis de sentimientos. Como otro ejemplo, Clay deriva nuevas entradas de modelo de toda la web con un LLM. Durante décadas, el PNL se ha aplicado para convertir datos no estructurados en datos estructurados que luego pueden ser utilizados por métodos estándar de aprendizaje automático. Los LLM sirven como un tipo más avanzado de PNL para este propósito.
5. Modelos de Bases de Datos Grandes
Incluso cuando los LLM han estado causando sensación, otra ola de IA entrante ha estado emergiendo silenciosamente: los modelos de bases de datos grandes.
Los LDM complementan a los LLM al capitalizar la otra fuente de datos principal del mundo: las bases de datos empresariales. En lugar de aprovechar la gran riqueza de la escritura humana, como libros, documentos y la propia web, como hacen los LLM, los LDM aprovechan los datos tabulares de una empresa.
Swiss Mobiliar, la compañía de seguros privada más antigua de Suiza, utilizó LMD para impulsar un proyecto de IA predictiva. Su sistema le dice al personal de ventas las probabilidades de cerrar un nuevo cliente para que puedan ajustar sus cotizaciones de seguros propuestas en consecuencia. El sistema implementado entregó un aumento sustancial en las ventas.
La IA Híbrida como Antídoto contra la Exageración de la IA
La IA predictiva y la IA generativa se necesitan mutuamente. La unión de ambas resolverá sus respectivos problemas, ampliará el ecosistema de herramientas y enfoques disponibles para los profesionales de la IA y reunirá lo que ahora es un campo aislado para que sea más cohesivo.
Pero quizás lo más importante de todo es que estos enfoques híbridos colocarán el valor de la IA por encima de la exageración de la IA al centrar la atención en el resultado del proyecto en lugar de tratar cualquier enfoque técnico como una panacea.
Insights de Evox News: Cómo la hibridación de la IA puede impactar tu negocio
La convergencia de la IA generativa y predictiva abre un abanico de oportunidades para las empresas que buscan optimizar sus operaciones, innovar en sus productos y servicios, y obtener una ventaja competitiva sostenible.
Ventaja Competitiva: Al integrar la IA generativa para facilitar el acceso y la comprensión de la IA predictiva, las empresas pueden democratizar el uso de datos y modelos predictivos en toda la organización. Esto permite a los equipos de marketing, ventas, operaciones y finanzas tomar decisiones más informadas y basadas en datos, lo que se traduce en una mayor eficiencia y rentabilidad.
Innovación: La capacidad de la IA generativa para generar nuevas ideas, prototipos y soluciones creativas puede acelerar el proceso de innovación en las empresas. Al combinar esta capacidad con la IA predictiva, las empresas pueden identificar las áreas con mayor potencial de crecimiento y desarrollar productos y servicios que satisfagan las necesidades de los clientes de manera más efectiva.
Optimización de Costos: La intervención predictiva en la IA generativa puede reducir significativamente los errores y las imprecisiones, lo que se traduce en una disminución de los costos asociados a la corrección de errores y la gestión de riesgos. Además, la automatización de tareas mediante la IA híbrida puede liberar recursos humanos para actividades de mayor valor añadido.
Personalización: La combinación de ambas IAs permite ofrecer una experiencia de cliente altamente personalizada, conociendo mejor sus necesidades y ofreciéndoles las soluciones que mejor se adaptan a sus requerimientos.
* Adaptación al mercado: La IA permite adaptarse a los cambios del mercado y a las nuevas tendencias mucho más rápido que la competencia
