Saltar al contenido
TOPIC-04

Ingeniería de IA

Definición

La ingeniería de IA es la disciplina de llevar la IA a software que funciona: elegir modelos, conectarlos a datos y sistemas, probarlos y mantenerlos fiables en producción.

En profundidad

Los modelos son componentes

Un modelo de lenguaje o de visión es una pieza de un producto de IA, no el producto. El trabajo de ingeniería consiste en decidir qué modelo encaja con la tarea, cómo recibe el contexto adecuado y qué hace el software que lo rodea con la respuesta.

La mayoría de las aplicaciones de empresa no necesitan un modelo propio. La recuperación de información, que da al modelo los documentos de la empresa en el momento de la pregunta, cubre casi todo; el ajuste fino queda para los casos en que un modelo debe aprender un estilo, un formato o una habilidad concreta.

La integración es casi todo el trabajo

La IA aporta valor cuando lee y escribe en los sistemas con los que funciona la empresa: el CRM, el ERP, la web, la herramienta de soporte. Conectarse a ellos con los permisos adecuados y sin romper lo que ya funciona suele ser la mayor parte de un desarrollo.

Vale igual para una aplicación de IA nueva que para la IA añadida a un software que ya existe. En los dos casos, las interfaces, la calidad de los datos y los casos de fallo deciden si el resultado es una demo o una herramienta.

De la prueba de concepto a producción

Una prueba de concepto responde si algo puede funcionar. Producción responde si funciona cada día, para cada usuario, con un coste conocido. Lo que hay entre una y otra son conjuntos de evaluación, salvaguardas, monitorización y planes para cuando el modelo se equivoca.

Tras el lanzamiento el trabajo sigue. Los modelos cambian, los datos se desvían y el uso crece, así que un sistema de IA necesita el mismo cuidado que cualquier software crítico: monitorización, actualizaciones, control de costes y un responsable.

Conceptos clave

Generación aumentada por recuperación
Dar al modelo los documentos relevantes en el momento de la consulta para que sus respuestas se apoyen en información actual y concreta.
Ajuste fino
Entrenar más un modelo con ejemplos para que aprenda una tarea, un formato o un estilo que de serie hace mal.
Conjunto de evaluación
Una colección fija de casos reales con respuestas correctas conocidas, para probar cada cambio antes de publicarlo.
MLOps
Las prácticas para desplegar, monitorizar y actualizar sistemas de aprendizaje automático en producción.

Ver todos los artículos del tema →

NEWSLETTER

Regístrate para estar al día de nuestro trabajo