Tres cosas que hay que hacer bien en la gestión de datos para proyectos de IA generativa

Según Kari Briski, vicepresidente de Modelos, Software y Servicios de IA en Nvidia, implementar con éxito la inteligencia artificial (IA) generativa depende de la gestión eficaz de los datos y de evaluar cómo los diferentes modelos trabajan juntos para servir a un caso de uso específico. Mientras que algunas organizaciones de élite como Nvidia utilizan la IA generativa para cosas como el diseño de nuevos chips, la mayoría se ha decantado por casos de uso menos sofisticados que emplean modelos más sencillos, y pueden centrarse en lograr la excelencia en la gestión de datos.

Doug Shannon, experto en automatización e IA y embajador de la comunidad de colegas de Gartner, afirma que la gran mayoría de las empresas se centran ahora en dos categorías de casos de uso que tienen más probabilidades de ofrecer un ROI positivo. Una es la gestión del conocimiento (KM, por sus siglas en inglés), que consiste en recopilar información empresarial, categorizarla y alimentar un modelo que permita a los usuarios consultarla. Y el otro son los modelos de generación aumentada de recuperación (RAG, por sus siglas en inglés), en los que trozos de datos de una fuente más amplia se vectorizan para permitir a los usuarios “hablar” con los datos. Por ejemplo, pueden tomar un documento de mil páginas, introducirlo en el modelo y hacerle preguntas al respecto.

“En estos dos tipos de casos de uso, la empresa depende de sus propios datos, y cuesta dinero aprovechar tu propia información”, afirma Shannon. “Las pequeñas y medianas empresas tienen una gran ventaja en comparación con las grandes empresas cargadas con procesos, herramientas, aplicaciones y personas legacy. Todos nos estorbamos a veces cuando nos aferramos a viejos hábitos”.