Mucho más que IA generativa en el Hype Cycle para la inteligencia artificial de 2024

A finales de 2024, el valor se derivará principalmente de proyectos basados en técnicas de IA conocidas, ya sea de forma independiente o combinadas con la IA generativa, que cuenten con procesos estandarizados para facilitar su implementación. En lugar de centrarse únicamente en la IA generativa, los responsables de IA deben buscar técnicas de IA compuesta que integren enfoques innovadores en todas las fases del Hype Cycle.

Ahora bien, la IA generativa aún tiene potencial para ser una tecnología transformadora con importantes repercusiones para las empresas en áreas como el descubrimiento de contenidos, la autoría, la autenticidad y la regulación, la automatización del trabajo humano y las experiencias de clientes y empleados. Sin embargo, la IA generativa plantea retos, como las cuestiones éticas y sociales, la escasez de buenas prácticas de seguridad y los usos negativos, como los deepfakes y la desinformación. 

Dado el gran volumen y la escala de los proyectos de IA, es importante que los responsables de IA amplíen su enfoque más allá de los debates técnicos. Las organizaciones deben prestar mucha atención a los aspectos relacionados con la IA, como la gobernanza, la propiedad del riesgo, la seguridad y la mitigación de la deuda técnica.

La gobernanza de datos o, dicho de otra forma, el hecho de garantizar que los datos de entrenamiento de la IA de una empresa sean precisos, completos, imparciales y reflejen su futura aplicación sin ser demasiado limitados, es uno de los mayores obstáculos en la carrera hacia la adopción de la IA compuesta. Esto plantea otro reto: a medida que la IA se convierta en una parte más importante de los procesos empresariales, las organizaciones que la utilicen se enfrentarán a un mayor escrutinio normativo, sobre todo en lo que respecta a las leyes de ética empresarial y privacidad de los datos.

Incluso aunque se haya implantado el modelo de IA de forma segura y se cumplan todas las normativas, la escalabilidad, la complejidad técnica y organizativa, la escasa aceptación y adopción por parte de los usuarios y las dificultades imprevistas pueden obstaculizar la implementación de la IA en toda la empresa.

La IA compuesta representa la siguiente fase de la evolución de la IA. Esto implica combinar metodologías de IA, como el machine learning, el procesamiento del lenguaje natural y los grafos de conocimiento, para crear soluciones más adaptables y redimensionables.

Este enfoque permitirá a las empresas maximizar el impacto de sus iniciativas de IA, lo que dará lugar a predicciones, decisiones y automatizaciones más precisas, incluso en entornos complejos. La IA compuesta es más potente que las formas individuales de IA porque no depende de una sola técnica, lo que hace que sus posibles fallos se distribuyan entre las distintas técnicas en lugar de concentrarse en una sola.

Por ejemplo, la integración de sistemas basados en reglas con el machine learning permitirá a las empresas gestionar mejor los datos no estructurados, mejorando su capacidad para obtener información de diversos conjuntos de datos. Al adoptar la IA compuesta, las organizaciones pueden resolver problemas que antes eran demasiado complejos para los modelos de IA basados en una sola técnica.

Los dos principales protagonistas del Hype Cycle de este año son la ingeniería de IA y los grafos de conocimiento. 

La ingeniería de IA es fundamental para que las empresas puedan ofrecer IA e IA generativa a gran escala. La mayoría de las organizaciones no disponen de la infraestructura de datos, capacidades analíticas y software necesarios para escalar proyectos individuales de IA, y mucho menos para gestionar una cartera de soluciones de IA de forma masiva. Los enfoques de ingeniería de IA, como DataOps, ModelOps y DevOps, permiten implantar modelos en producción dentro de un marco estructurado, repetible y similar a una fábrica de modelos.

Los grafos de conocimiento son estructuras que las máquinas pueden interpretar para representar los mundos físico y digital. Capturan la información de forma visualmente intuitiva, pero son capaces de representar relaciones complejas. Y lo que es más importante, proporcionan una lógica fiable y un razonamiento explicable (a diferencia de las capacidades predictivas de la IA generativa, que, aunque potentes, pueden ser falibles).