Noticias de IA Nos reunimos con el presidente de Ikigai Labs, Kamal Ahluwalia, para discutir todo lo relacionado con la generación de IA, incluidos los mejores consejos sobre cómo adoptar y utilizar la tecnología, y la importancia de incorporar la ética en el diseño de la IA.
¿Podrías contarnos un poco sobre Ikigai Labs y cómo puede ayudar a las empresas?
Ikigai está ayudando a las organizaciones a transformar datos empresariales escasos y aislados en conocimientos predictivos y procesables con una plataforma de IA generativa diseñada específicamente para datos tabulares estructurados.
Una parte importante de los datos empresariales son datos estructurados y tabulares que residen en sistemas como SAP y Salesforce. Estos datos impulsan la planificación y la previsión de toda una empresa. Si bien hay mucho entusiasmo en torno a los modelos de lenguaje grande (LLM), que son excelentes para datos no estructurados como texto, los modelos gráficos grandes (LGM) patentados por Ikigai, desarrollados en el MIT, se centran en resolver problemas utilizando datos estructurados.
La solución de Ikigai se centra particularmente en conjuntos de datos de series de tiempo, ya que las empresas se ejecutan en cuatro series de tiempo clave: ventas, productos, empleados y capital/efectivo. Comprender cómo se unen estas series de tiempo en momentos críticos, como el lanzamiento de un nuevo producto o la entrada a una nueva geografía, es crucial para tomar mejores decisiones que impulsen resultados óptimos.
¿Cómo describiría el panorama actual de la IA generativa y cómo imagina que se desarrollará en el futuro?
Las tecnologías que han capturado la imaginación, como los LLM de OpenAI, Anthropic y otros, provienen de una experiencia de consumo. Fueron entrenados con datos a escala de Internet, y los conjuntos de datos de entrenamiento son cada vez más grandes, lo que requiere una gran potencia informática y almacenamiento. Se necesitaron 100 millones de dólares para entrenar GPT4, y se espera que GP5 cueste 2.500 millones de dólares.
Esta realidad funciona en un entorno de consumo, donde los costos se pueden compartir entre un conjunto muy grande de usuarios y algunos errores son solo parte del proceso de capacitación. Pero en la empresa no se pueden tolerar los errores, las alucinaciones no son una opción y la precisión es primordial. Además, el costo de entrenar un modelo con datos a escala de Internet simplemente no es asequible, y las empresas que aprovechan un modelo fundamental corren el riesgo de exponer su propiedad intelectual y otros datos confidenciales.
Si bien algunas empresas han optado por crear su propia pila tecnológica para que los LLM puedan utilizarse en un entorno seguro, la mayoría de las organizaciones carecen del talento y los recursos para crearla por sí mismas.
A pesar de los desafíos, las empresas quieren el tipo de experiencia que brindan los LLM. Pero los resultados deben ser precisos –incluso cuando los datos son escasos– y debe haber una manera de mantener los datos confidenciales fuera de un modelo fundamental. También es fundamental encontrar formas de reducir el costo total de propiedad, incluido el costo de entrenar y actualizar los modelos, la dependencia de las GPU y otras cuestiones relacionadas con la gobernanza y la retención de datos. Todo esto conduce a un conjunto de soluciones muy diferente al que tenemos actualmente.
¿Cómo pueden las empresas crear una estrategia para maximizar los beneficios de la IA generativa?
Si bien se ha escrito mucho sobre los modelos de lenguajes grandes (LLM) y sus posibles aplicaciones, muchos clientes se preguntan «¿cómo puedo crear una diferenciación?»
Con los LLM, casi todos tendrán acceso a las mismas capacidades, como experiencias de chatbot o generación de contenido y correos electrónicos de marketing; si todos tienen los mismos casos de uso, no es un diferenciador.
La clave es cambiar el enfoque de los casos de uso genéricos a encontrar áreas de optimización y comprensión específicas para su negocio y sus circunstancias. Por ejemplo, si está en el sector manufacturero y necesita trasladar sus operaciones fuera de China, ¿cómo planifica la incertidumbre en logística, mano de obra y otros factores? O, si desea crear productos más ecológicos, los materiales, los proveedores y las estructuras de costos cambiarán. ¿Cómo modelas esto?
Estos casos de uso son algunas de las formas en que las empresas intentan utilizar la IA para gestionar sus negocios y planificar en un mundo incierto. Encontrar especificidad y adaptar la tecnología a sus necesidades únicas es probablemente la mejor manera de utilizar la IA para encontrar una verdadera ventaja competitiva.
¿Cuáles son los principales desafíos a los que se enfrentan las empresas al implementar la IA generativa y cómo se pueden superar?
Al escuchar a los clientes, hemos aprendido que, si bien muchos han experimentado con IA generativa, solo una fracción ha llevado las cosas a producción debido a costos prohibitivos y preocupaciones de seguridad. Pero, ¿qué pasaría si sus modelos pudieran entrenarse solo con sus propios datos, ejecutándose en CPU en lugar de requerir GPU, con resultados precisos y transparencia sobre cómo obtener esos resultados? ¿Qué pasaría si se abordaran todas las cuestiones regulatorias y de cumplimiento, sin dejar dudas sobre de dónde provienen los datos o cuántos datos se están reentrenando? Esto es lo que Ikigai trae a la mesa con los modelos gráficos grandes.
Un desafío que hemos ayudado a las empresas a abordar es el problema de los datos. Casi el 100% de las organizaciones trabajan con datos limitados o imperfectos y, en muchos casos, esto es una barrera para hacer algo con IA. Las empresas suelen hablar de limpieza de datos, pero en realidad, esperar a tener datos perfectos puede obstaculizar el progreso. Las soluciones de IA que puedan funcionar con datos limitados y escasos son esenciales, ya que permiten a las empresas aprender de lo que tienen y dar cuenta de la gestión del cambio.
El otro desafío es cómo los equipos internos pueden asociarse con la tecnología para obtener mejores resultados. Especialmente en industrias reguladas, la supervisión humana, la validación y el aprendizaje reforzado son necesarios. Agregar un experto al circuito garantiza que la IA no tome decisiones en el vacío, por lo que encontrar soluciones que incorporen la experiencia humana es clave.
¿Hasta qué punto cree que adoptar con éxito la IA generativa requiere un cambio en la cultura y la mentalidad de la empresa?
La adopción exitosa de la IA generativa requiere un cambio significativo en la cultura y la mentalidad de la empresa, con un fuerte compromiso por parte de los ejecutivos y una educación continua. Vi esto de primera mano en Eightfold cuando llevábamos nuestra plataforma de IA a empresas en más de 140 países. Siempre recomiendo que los equipos primero eduquen a los ejecutivos sobre lo que es posible, cómo hacerlo y cómo llegar allí. Necesitan tener el compromiso de llevarlo a cabo, lo que implica cierta experimentación y algún curso de acción comprometido. También deben comprender las expectativas que se depositan en sus colegas, de modo que puedan estar preparados para que la IA se convierta en parte de la vida diaria.
El compromiso de arriba hacia abajo y la comunicación de los ejecutivos son de gran ayuda, ya que hay mucho alarmismo que sugiere que la IA eliminará puestos de trabajo, y los ejecutivos deben marcar la pauta de que, si bien la IA no eliminará los puestos de trabajo por completo, el trabajo de todos es va a cambiar en los próximos dos años, no sólo para las personas en los niveles inferiores o medios, sino para todos. La educación continua durante toda la implementación es clave para que los equipos aprendan cómo obtener valor de las herramientas y adaptar la forma en que trabajan para incorporar los nuevos conjuntos de habilidades.
También es importante adoptar tecnologías que se adapten a la realidad de la empresa. Por ejemplo, debe dejar de lado la idea de que necesita obtener todos sus datos para poder actuar. En el pronóstico de series de tiempo, cuando se han tomado cuatro trimestres para limpiar los datos, hay más datos disponibles y probablemente sea un desastre. Si sigue esperando datos perfectos, no podrá utilizarlos en absoluto. Por lo tanto, las soluciones de IA que puedan funcionar con datos limitados y escasos son cruciales, ya que hay que poder aprender de lo que se tiene.
Otro aspecto importante es incorporar un experto al circuito. Sería un error suponer que la IA es mágica. Hay muchas decisiones, especialmente en industrias reguladas, donde no se puede permitir que la IA simplemente tome la decisión. Necesita supervisión, validación y aprendizaje reforzado; así es exactamente como las soluciones para el consumidor se volvieron tan buenas.
¿Hay algún estudio de caso que pueda compartir con nosotros sobre empresas que utilizan con éxito la IA generativa?
Un ejemplo interesante es el de un cliente de Marketplace que nos utiliza para racionalizar su catálogo de productos. Buscan comprender la cantidad óptima de SKU que deben transportar, de modo que puedan reducir los costos de mantenimiento de inventario y al mismo tiempo satisfacer las necesidades de los clientes. Otro socio realiza planificación, previsión y programación de la fuerza laboral, utilizándonos para equilibrar la mano de obra en hospitales, empresas minoristas y hoteleras. En su caso, todos sus datos se encuentran en diferentes sistemas y deben reunirlos en una sola vista para poder equilibrar el bienestar de los empleados con la excelencia operativa. Pero como podemos admitir una amplia variedad de casos de uso, trabajamos con clientes haciendo de todo, desde pronosticar el uso del producto como parte de un cambio hacia un modelo basado en el consumo, hasta la detección de fraude.
Tú lanzó recientemente un Consejo de Ética de IA. ¿Qué tipo de personas hay en este consejo y cuál es su propósito?
Nuestro Consejo de Ética de IA tiene como objetivo garantizar que la tecnología de IA que estamos construyendo se base en la ética y el diseño responsable. Es una parte fundamental de quiénes somos como empresa, y me siento honrado de ser parte de ello junto a un grupo tan impresionante de personas. Nuestro consejo incluye luminarias como el Dr. Munther Dahleh, director fundador del Instituto para Sistemas de Datos y Sociedad (IDSS) y profesor del MIT; Aram A. Gavoor, Decano Asociado de la Universidad George Washington y reconocido académico en derecho administrativo y seguridad nacional; el Dr. Michael Kearns, presidente del Centro Nacional de Ciencias de la Información y la Computación de la Universidad de Pensilvania; y el Dr. Michael I. Jordan, profesor distinguido de UC Berkeley en los Departamentos de Ingeniería Eléctrica, Ciencias de la Computación y Estadística. También es un honor para mí servir en este consejo junto a estas estimadas personas.
El propósito de nuestro Consejo de Ética de la IA es abordar cuestiones éticas y de seguridad urgentes que afectan el desarrollo y el uso de la IA. A medida que la IA se vuelve rápidamente central para los consumidores y las empresas en casi todas las industrias, creemos que es crucial priorizar el desarrollo responsable y no podemos ignorar la necesidad de consideraciones éticas. El consejo se reunirá trimestralmente para discutir temas importantes como la gobernanza de la IA, la minimización de datos, la confidencialidad, la legalidad, la precisión y más. Después de cada reunión, el consejo publicará recomendaciones de acciones y próximos pasos que las organizaciones deberían considerar para seguir adelante. Como parte del compromiso de Ikigai Labs con la innovación y el despliegue ético de la IA, implementaremos las acciones recomendadas por el consejo.
Ikigai Labs recaudó 25 millones de dólares en agosto del año pasado. ¿Cómo ayudará esto a desarrollar la empresa, sus ofertas y, en última instancia, a sus clientes?
Tenemos una base sólida de investigación e innovación que surge de nuestro equipo central con el MIT, por lo que esta vez la financiación se centra en hacer que la solución sea más sólida, así como en incorporar el equipo que trabaja con los clientes y socios.
Podemos resolver muchos problemas, pero nos concentramos en resolver solo unos pocos significativos a través de súper aplicaciones de series temporales. Sabemos que cada empresa utiliza cuatro series temporales, por lo que el objetivo es cubrirlas en profundidad y con rapidez: cosas como previsión de ventas, previsión de consumo, previsión de descuentos, cómo cancelar productos, optimización de catálogo, etc. Estamos entusiasmados y mirando Estamos ansiosos por poner GenAI para datos tabulares en manos de tantos clientes como sea posible.
Kamal participará en una mesa redonda titulada ‘Barreras a superar: personas, procesos y tecnología’ en la AI & Big Data Expo en Santa Clara el 5 de junio de 2024. Puedes encontrar todos los detalles aquí.
¿Quiere aprender más sobre IA y big data de la mano de los líderes de la industria? Verificar Exposición de IA y Big Data que tendrá lugar en Amsterdam, California y Londres. El evento integral comparte ubicación con otros eventos importantes, incluidos bloquex, Semana de la Transformación Digitaly Exposición de seguridad cibernética y nube.
Explore otros próximos eventos y seminarios web de tecnología empresarial impulsados por TechForge aquí.
Fuente: Kamal Ahluwalia, Ikigai Labs: Cómo llevar su negocio al siguiente nivel con IA generativa