M谩s

    Kamal Ahluwalia, Ikigai Labs: C贸mo llevar su negocio al siguiente nivel con IA generativa

    - Advertisement -

    Noticias de IA Nos reunimos con el presidente de Ikigai Labs, Kamal Ahluwalia, para discutir todo lo relacionado con la generaci贸n de IA, incluidos los mejores consejos sobre c贸mo adoptar y utilizar la tecnolog铆a, y la importancia de incorporar la 茅tica en el dise帽o de la IA.

    驴Podr铆as contarnos un poco sobre Ikigai Labs y c贸mo puede ayudar a las empresas?

    Ikigai est谩 ayudando a las organizaciones a transformar datos empresariales escasos y aislados en conocimientos predictivos y procesables con una plataforma de IA generativa dise帽ada espec铆ficamente 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 planificaci贸n y la previsi贸n 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 gr谩ficos grandes (LGM) patentados por Ikigai, desarrollados en el MIT, se centran en resolver problemas utilizando datos estructurados.

    La soluci贸n 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 c贸mo se unen estas series de tiempo en momentos cr铆ticos, como el lanzamiento de un nuevo producto o la entrada a una nueva geograf铆a, es crucial para tomar mejores decisiones que impulsen resultados 贸ptimos.

    驴C贸mo describir铆a el panorama actual de la IA generativa y c贸mo imagina que se desarrollar谩 en el futuro?

    Las tecnolog铆as que han capturado la imaginaci贸n, 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 m谩s grandes, lo que requiere una gran potencia inform谩tica y almacenamiento. Se necesitaron 100 millones de d贸lares para entrenar GPT4, y se espera que GP5 cueste 2.500 millones de d贸lares.

    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 capacitaci贸n. Pero en la empresa no se pueden tolerar los errores, las alucinaciones no son una opci贸n y la precisi贸n es primordial. Adem谩s, 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 tecnol贸gica para que los LLM puedan utilizarse en un entorno seguro, la mayor铆a de las organizaciones carecen del talento y los recursos para crearla por s铆 mismas.

    A pesar de los desaf铆os, las empresas quieren el tipo de experiencia que brindan los LLM. Pero los resultados deben ser precisos 鈥搃ncluso cuando los datos son escasos鈥 y debe haber una manera de mantener los datos confidenciales fuera de un modelo fundamental. Tambi茅n 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 retenci贸n de datos. Todo esto conduce a un conjunto de soluciones muy diferente al que tenemos actualmente.

    驴C贸mo 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 芦驴c贸mo puedo crear una diferenciaci贸n?禄

    鉂 Tambi茅n te interesa:Microsoft presenta la familia Phi-3 de modelos de lenguaje compactoMicrosoft presenta la familia Phi-3 de modelos de lenguaje compacto

    Con los LLM, casi todos tendr谩n acceso a las mismas capacidades, como experiencias de chatbot o generaci贸n de contenido y correos electr贸nicos 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 gen茅ricos a encontrar 谩reas de optimizaci贸n y comprensi贸n espec铆ficas para su negocio y sus circunstancias. Por ejemplo, si est谩 en el sector manufacturero y necesita trasladar sus operaciones fuera de China, 驴c贸mo planifica la incertidumbre en log铆stica, mano de obra y otros factores? O, si desea crear productos m谩s ecol贸gicos, los materiales, los proveedores y las estructuras de costos cambiar谩n. 驴C贸mo 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 tecnolog铆a a sus necesidades 煤nicas es probablemente la mejor manera de utilizar la IA para encontrar una verdadera ventaja competitiva.

    驴Cu谩les son los principales desaf铆os a los que se enfrentan las empresas al implementar la IA generativa y c贸mo se pueden superar?

    Al escuchar a los clientes, hemos aprendido que, si bien muchos han experimentado con IA generativa, solo una fracci贸n ha llevado las cosas a producci贸n debido a costos prohibitivos y preocupaciones de seguridad. Pero, 驴qu茅 pasar铆a si sus modelos pudieran entrenarse solo con sus propios datos, ejecut谩ndose en CPU en lugar de requerir GPU, con resultados precisos y transparencia sobre c贸mo obtener esos resultados? 驴Qu茅 pasar铆a si se abordaran todas las cuestiones regulatorias y de cumplimiento, sin dejar dudas sobre de d贸nde provienen los datos o cu谩ntos datos se est谩n reentrenando? Esto es lo que Ikigai trae a la mesa con los modelos gr谩ficos grandes.

    Un desaf铆o 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 gesti贸n del cambio.

    El otro desaf铆o es c贸mo los equipos internos pueden asociarse con la tecnolog铆a para obtener mejores resultados. Especialmente en industrias reguladas, la supervisi贸n humana, la validaci贸n y el aprendizaje reforzado son necesarios. Agregar un experto al circuito garantiza que la IA no tome decisiones en el vac铆o, por lo que encontrar soluciones que incorporen la experiencia humana es clave.

    驴Hasta qu茅 punto cree que adoptar con 茅xito la IA generativa requiere un cambio en la cultura y la mentalidad de la empresa?

    La adopci贸n 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 educaci贸n continua. Vi esto de primera mano en Eightfold cuando llev谩bamos nuestra plataforma de IA a empresas en m谩s de 140 pa铆ses. Siempre recomiendo que los equipos primero eduquen a los ejecutivos sobre lo que es posible, c贸mo hacerlo y c贸mo llegar all铆. Necesitan tener el compromiso de llevarlo a cabo, lo que implica cierta experimentaci贸n y alg煤n curso de acci贸n comprometido. Tambi茅n 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 comunicaci贸n de los ejecutivos son de gran ayuda, ya que hay mucho alarmismo que sugiere que la IA eliminar谩 puestos de trabajo, y los ejecutivos deben marcar la pauta de que, si bien la IA no eliminar谩 los puestos de trabajo por completo, el trabajo de todos es va a cambiar en los pr贸ximos dos a帽os, no s贸lo para las personas en los niveles inferiores o medios, sino para todos. La educaci贸n continua durante toda la implementaci贸n es clave para que los equipos aprendan c贸mo obtener valor de las herramientas y adaptar la forma en que trabajan para incorporar los nuevos conjuntos de habilidades.

    Tambi茅n es importante adoptar tecnolog铆as 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 pron贸stico de series de tiempo, cuando se han tomado cuatro trimestres para limpiar los datos, hay m谩s datos disponibles y probablemente sea un desastre. Si sigue esperando datos perfectos, no podr谩 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. Ser铆a un error suponer que la IA es m谩gica. Hay muchas decisiones, especialmente en industrias reguladas, donde no se puede permitir que la IA simplemente tome la decisi贸n. Necesita supervisi贸n, validaci贸n y aprendizaje reforzado; as铆 es exactamente como las soluciones para el consumidor se volvieron tan buenas.

    鉂 Tambi茅n te interesa:Construyendo un futuro de IA responsableConstruyendo un futuro de IA responsable

    驴Hay alg煤n estudio de caso que pueda compartir con nosotros sobre empresas que utilizan con 茅xito la IA generativa?

    Un ejemplo interesante es el de un cliente de Marketplace que nos utiliza para racionalizar su cat谩logo de productos. Buscan comprender la cantidad 贸ptima 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 planificaci贸n, previsi贸n y programaci贸n de la fuerza laboral, utiliz谩ndonos 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 detecci贸n de fraude.

    T煤 lanz贸 recientemente un Consejo de 脡tica de IA. 驴Qu茅 tipo de personas hay en este consejo y cu谩l es su prop贸sito?

    Nuestro Consejo de 脡tica de IA tiene como objetivo garantizar que la tecnolog铆a de IA que estamos construyendo se base en la 茅tica y el dise帽o responsable. Es una parte fundamental de qui茅nes 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 acad茅mico en derecho administrativo y seguridad nacional; el Dr. Michael Kearns, presidente del Centro Nacional de Ciencias de la Informaci贸n y la Computaci贸n de la Universidad de Pensilvania; y el Dr. Michael I. Jordan, profesor distinguido de UC Berkeley en los Departamentos de Ingenier铆a El茅ctrica, Ciencias de la Computaci贸n y Estad铆stica. Tambi茅n es un honor para m铆 servir en este consejo junto a estas estimadas personas.

    El prop贸sito de nuestro Consejo de 脡tica de la IA es abordar cuestiones 茅ticas y de seguridad urgentes que afectan el desarrollo y el uso de la IA. A medida que la IA se vuelve r谩pidamente 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 茅ticas. El consejo se reunir谩 trimestralmente para discutir temas importantes como la gobernanza de la IA, la minimizaci贸n de datos, la confidencialidad, la legalidad, la precisi贸n y m谩s. Despu茅s de cada reuni贸n, el consejo publicar谩 recomendaciones de acciones y pr贸ximos pasos que las organizaciones deber铆an considerar para seguir adelante. Como parte del compromiso de Ikigai Labs con la innovaci贸n y el despliegue 茅tico de la IA, implementaremos las acciones recomendadas por el consejo.

    Ikigai Labs recaud贸 25 millones de d贸lares en agosto del a帽o pasado. 驴C贸mo ayudar谩 esto a desarrollar la empresa, sus ofertas y, en 煤ltima instancia, a sus clientes?

    Tenemos una base s贸lida de investigaci贸n e innovaci贸n que surge de nuestro equipo central con el MIT, por lo que esta vez la financiaci贸n se centra en hacer que la soluci贸n sea m谩s s贸lida, as铆 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 trav茅s de s煤per 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 previsi贸n de ventas, previsi贸n de consumo, previsi贸n de descuentos, c贸mo cancelar productos, optimizaci贸n de cat谩logo, etc. Estamos entusiasmados y mirando Estamos ansiosos por poner GenAI para datos tabulares en manos de tantos clientes como sea posible.

    Kamal participar谩 en una mesa redonda titulada ‘Barreras a superar: personas, procesos y tecnolog铆a’ en la AI & Big Data Expo en Santa Clara el 5 de junio de 2024. Puedes encontrar todos los detalles aqu铆.

    驴Quiere aprender m谩s sobre IA y big data de la mano de los l铆deres de la industria? Verificar Exposici贸n de IA y Big Data que tendr谩 lugar en Amsterdam, California y Londres. El evento integral comparte ubicaci贸n con otros eventos importantes, incluidos bloquex, Semana de la Transformaci贸n Digitaly Exposici贸n de seguridad cibern茅tica y nube.

    Explore otros pr贸ximos eventos y seminarios web de tecnolog铆a empresarial impulsados 鈥嬧媝or TechForge aqu铆.

    鉂 Tambi茅n te interesa:FT y OpenAI firman una asociaci贸n en medio de cr铆ticas por web scrapingFT y OpenAI firman una asociaci贸n en medio de cr铆ticas por web scraping

    Etiquetas: datos, 茅tica, IA generativa, Ikigai Labs, llm

    Fuente: Kamal Ahluwalia, Ikigai Labs: C贸mo llevar su negocio al siguiente nivel con IA generativa

    Populares

    M谩s de esta categor铆a

    DEJA UNA RESPUESTA

    Por favor ingrese su comentario!
    Por favor ingrese su nombre aqu铆

    Este sitio usa Akismet para reducir el spam. Aprende c贸mo se procesan los datos de tus comentarios.