Opciones para Implementar IA Generativa en una Empresa

Vamos a revisar opciones para implementar proyectos de inteligencia artificial (IA) en empresas, con arreglo al nivel de riesgo que la organización puede aceptar. Utilizar el nivel de riesgo permite segmentar atendiendo al tamaño de la organización: desde un planteamiento conservador para empresas con pocos recursos, al más costoso e innovador al que podrían optar las grandes.

Las opciones para implementar IA dependen del caso de uso, y factores como la personalización del modelo, la privacidad, cantidad y calidad de los datos, el tiempo de llegada al mercado o las implicaciones de costos.

Estrategia conservadora: Utilizar aplicaciones preexistentes

Esta es la opción más popular en el mercado en estos momentos: una forma más rápida de integrar la IA generativa. Se trata de utilizar ChatGPT y otras aplicaciones comerciales en los flujos de trabajo: resumir documentos, crear contenidos, consultar legislación, crear imágenes, etc.

Es además la opción que recibe casi toda la atención de los cursos de formación existentes en el mercado (“Cómo convertirse en ingeniero de prompts”).

Además del coste operativo que representa trabajar de esta forma este planteamiento presenta otros problemas aún más graves.

Estas aplicaciones están entrenadas con información de fuentes abiertas y no pueden responder a solicitudes relacionadas con conocimientos técnicos a menos que estén entrenadas. Esto implica que utilizar los modelos base (incluso en modalidades de pago GPT-4) puede producir alucinaciones y fugas de datos.

Como hemos visto en otros artículos para prevenir las alucinaciones es necesario entrenar el modelo base con datos propietarios, lo cual nos lleva al siguiente apartado.

Estrategia práctica: Implementar IA de un modelo con APIs

La opción práctica para implementar la IA en la mayoría de empresas implica la suscripción a modelos como servicio (concepto de “Models as a Service”, MaaS), que ofrecen una serie de ventajas significativas.

En este caso resulta clave la integración de APIs de terceros en el flujo de trabajo de la organización a través de proveedores de servicios como HAL149 , que entrenan e integran los modelos base en los flujos de trabajo organizativos existentes.

Las APIs como la de Open AI ofrecidas por proveedores de servicios LLM son una forma eficaz de integrar modelos preentrenados en sistemas existentes. Esto reduce la necesidad de expertos técnicos internos y el tiempo de implementación.

Estas APIs todavía comprometer potencialmente la privacidad de los datos si la integración no se realiza correctamente. Las empresas deben considerar las prácticas de IA responsable de los proveedores de servicios, los principios de seguridad y el cumplimiento de los requisitos regulatorios relacionados con la IA.

Además las actualizaciones de versiones del modelo pueden requerir cambios en las APIs, lo que puede aumentar los costos de mantenimiento del modelo para la empresa.

Estrategia agresiva: Entrenar tu propio modelo base

La opción agresiva para implementar la IA sería utilizar un modelo LLM de código abierto y entrenarlo con datos propietarios. Los modelos de código abierto pueden implementarse utilizando infraestructura empresarial, ya sea localmente o en la nube, lo que evita filtraciones de datos y ayuda a garantizar una privacidad y seguridad de datos más robustas.

El aprovechamiento de un LLM de código abierto ofrece ahorros de costos, puede mejorar el tiempo de valor y requiere menos recursos que la construcción de modelos desde cero (que es la siguiente opción).

Entrenar con datos propietarios permite visibilidad en los algoritmos y un mayor control sobre las metodologías. Sin embargo, los costos iniciales de implementación pueden ser considerablemente altos, especialmente los costos de infraestructura en la nube o local.

El entrenamiento con conjuntos de datos propietarios, el ajuste fino y la adaptación de los modelos pueden implicar trabajar con un proveedor, lo que puede generar costos adicionales. Aunque esta opción puede ser más costosa y requerir más recursos, ofrece la ventaja de una mayor personalización y control sobre el modelo de IA, lo que puede llevar a resultados más precisos y adaptados a las necesidades específicas.

Estrategia arriesgada: Crear un modelo desde cero

La opción arriesgada implica crear un modelo LLM desde cero. Estos modelos se basan en datos propietarios de la empresa, ofreciendo un control total sobre la información sensible, como detalles bancarios, números de seguridad social y datos de contacto de inquilinos.

En este caso también queda garantizada la confidencialidad de los datos, que serían altamente relevantes y tienen menos probabilidades de errores estadísticos o alucinaciones. Pero es la opción más costosa: estamos hablando de millones de euros, además de la inversión en tiempo y recursos humanos para su desarrollo y mantenimiento.

Además del coste intrínseco del modelo conviene recordar la necesidad de una enorme cantidad de datos bien estructurados (etiquetados) para dar al modelo los requerimientos mínimos de un LLM.

Para implementar IA hay que evaluar caso a caso

Por ejemplo, una firma inmobiliaria o financiera que necesita realizar análisis predictivos del rendimiento de activos arrendados puede considerar un modelo de código abierto entrenado con datos propietarios (“opción agresiva”).

Si la misma empresa prefiere centrar su proyecto de implementación de IA en el área de marketing y ventas puede irse a la “opción práctica”.

Pero en ambos casos deberá asegurarse la disponibilidad de los datos necesarios para el entrenamiento en la cantidad y formato necesarios.

Por lo tanto no existe una estrategia de implementación de IA única para todos los casos de uso, y puede haber compensaciones al elegir ciertos enfoques sobre otros.