Inteligencia artificial: guía completa

La mayoría de las organizaciones empresariales no se encuentran al principio de su viaje hacia la IA: tienen modelos en producción, proyectos piloto en marcha y conversaciones sobre gobernanza que todavía intentan seguir el ritmo de la implementación. Ahora los equipos deben decidir cómo elegir la arquitectura de IA, las dependencias de datos y la estrategia de evaluación adecuadas, al tiempo que aplican controles coherentes de gobernanza, seguridad y operaciones a lo largo de todo el ciclo de vida de la IA, a menudo mediante prácticas de MLOps como los pipelines de implementación, la supervisión y el control de versiones de modelos.

Esto requiere algo más que una estrategia de IA general. Los modelos predictivos, los clasificadores de documentos, las aplicaciones de generación aumentada por recuperación (RAG) y los sistemas de agentes de IA se construyen de forma distinta, fallan de forma diferente y plantean exigencias distintas en cuanto a datos, infraestructura y supervisión. Las decisiones sobre qué construir, qué escalar y qué gobernar deben tener en cuenta esas diferencias sin fragmentar los controles empresariales asociados a ellas.

Esta guía constituye un punto de referencia para esa tarea. Abarca las principales disciplinas de la IA, cómo se entrenan y evalúan los sistemas, dónde las empresas los están implementando de forma eficaz y qué factores de gobernanza, seguridad y datos determinan si una implementación se mantiene con el paso del tiempo.

La inteligencia artificial no es una disciplina única, sino un amplio campo formado por numerosas subdisciplinas interconectadas. Por ejemplo, el aprendizaje automático (ML) es un subconjunto de la IA: sistemas que aprenden patrones estadísticos a partir de los datos en lugar de seguir reglas explícitas. El aprendizaje profundo es un subconjunto del ML: redes neuronales organizadas en capas que aprenden representaciones de datos complejos de alta dimensionalidad. La IA generativa es un producto del aprendizaje profundo: modelos fundacionales que producen resultados nuevos en lugar de clasificar entradas existentes.

Cada capa hereda los requisitos de calidad de los datos, infraestructura y evaluación de la capa superior. Una implementación de IA generativa es también una implementación de ML, con todo lo que ello conlleva.

Esta disciplina también distingue entre la IA débil (o estrecha) y la IA general (AGI). La IA débil, que describe todos los sistemas de IA actualmente en producción, está optimizada para una tarea o un dominio específicos. Las decisiones empresariales relativas a la IA siempre implican IA débil, así como los marcos de gobernanza, las prácticas de evaluación y los modelos de riesgo que se le aplican. La AGI, un sistema capaz de razonar y aprender en dominios arbitrarios a un nivel humano o superior, sigue siendo un objetivo de investigación.

La mayoría de los sistemas de IA siguen el mismo bucle básico: los datos entran, un modelo aprende de ellos y ese modelo se utiliza después para generar predicciones o resultados con datos nuevos. Las tres fases (entrenamiento, inferencia y ajuste fino) conllevan requisitos distintos de infraestructura y gobernanza.

El entrenamiento es el proceso de exponer un modelo a grandes cantidades de datos etiquetados o sin etiquetar para que aprenda a reconocer patrones. En los sistemas de aprendizaje profundo, esto suele implicar arquitecturas de transformadores que utilizan mecanismos de atención para aprender qué partes de la entrada son más relevantes para un resultado determinado. Entrenar modelos fundacionales (los grandes modelos base en los que se apoyan la mayoría de las aplicaciones de IA generativa) requiere una capacidad de cómputo a una escala que históricamente solo ha estado al alcance de grandes organizaciones de investigación y proveedores de nube.

La inferencia es lo que ocurre cuando se utiliza un modelo entrenado. Un usuario envía una consulta, el modelo genera una respuesta y esa respuesta se devuelve prácticamente en tiempo real. La latencia, el coste y la fiabilidad de la inferencia son cuestiones operativas que cobran importancia a gran escala, especialmente en las aplicaciones orientadas al cliente.

El ajuste fino supervisado adapta un modelo previamente entrenado a un dominio o una tarea específicos utilizando un conjunto de datos más pequeño y especializado. Es una vía habitual para las organizaciones que quieren las capacidades de un modelo fundacional sin entrenarlo desde cero, pero introduce el riesgo de degradación del modelo si los datos del ajuste fino se alejan con el tiempo de las entradas de producción.

El verdadero cuello de botella en la implementación de la IA rara vez es el propio modelo. En una encuesta de MIT Technology Review Insights a 400 altos directivos de datos y tecnología, el 45 % de los encuestados citó la complejidad de la integración y el 40 %, la gobernanza de datos como los mayores retos de las iniciativas de IA. La calidad de los datos, la gobernanza y la infraestructura de cómputo condicionan los resultados con mayor consistencia que la elección del modelo.

Mira un videotutorial sobre cómo empezar con Snowflake Cortex Agents:

Los investigadores suelen clasificar los sistemas de IA en cuatro categorías según sus capacidades de memoria y razonamiento:

Reactiva → Memoria limitada → Teoría de la mente → Autoconsciente

En la práctica, todos los sistemas actualmente en producción pertenecen a los dos primeros tipos.

La implicación práctica: la IA actual opera dentro de contextos delimitados. Un modelo que funciona bien en una tarea lo hace porque fue entrenado para esa tarea y evaluado con datos que se asemejan a los que ve en producción. Los sistemas que parecen generalizar suelen ser modelos de memoria limitada muy grandes o sistemas específicos con una amplia cobertura de entrenamiento, no inteligencia general.

Las siguientes disciplinas representan las principales ramas de la IA aplicada. Cada una tiene sus propios métodos, indicadores de referencia y modos de fallo. Para los equipos que crean o evalúan sistemas de IA, entender en qué disciplina se basa una aplicación determinada es el punto de partida para plantear las preguntas adecuadas sobre los requisitos de datos, los criterios de evaluación y el riesgo.

El aprendizaje automático entrena modelos estadísticos con datos históricos para clasificar entradas, predecir resultados o detectar patrones. Las decisiones de diseño clave —ingeniería de características, ajuste de hiperparámetros, métodos de ensamblado— implican compromisos entre la complejidad del modelo, la interpretabilidad y la capacidad de generalización. La mayor parte de la analítica predictiva empresarial funciona con ML.

El aprendizaje profundo utiliza redes neuronales de muchas capas para aprender representaciones de datos complejos: imágenes, audio, texto y señales de series temporales. Varias técnicas fundamentales, como el descenso de gradiente y la retropropagación, permiten a estas redes aprender características de forma automática en lugar de requerir una ingeniería explícita. El aprendizaje profundo impulsa la mayor parte de lo que actualmente se describe como IA en las aplicaciones de consumo. Más información sobre el aprendizaje profundo >

El procesamiento del lenguaje natural (PLN) permite a los sistemas interpretar, clasificar y generar lenguaje humano. El PLN moderno se basa en gran medida en modelos de lenguaje basados en transformadores y sustenta aplicaciones que van desde la clasificación de documentos hasta las interfaces conversacionales y la generación de código. Más información sobre el procesamiento del lenguaje natural >

La visión artificial aplica el aprendizaje profundo a los datos visuales (imágenes y vídeo) para tareas como la detección de objetos, la clasificación de imágenes, la identificación de defectos y el reconocimiento facial. Está ampliamente implantada en los sectores de fabricación, logística, sanidad y seguridad. Más información sobre la visión artificial >

El aprendizaje por refuerzo entrena agentes para que realicen acciones en un entorno con el fin de maximizar una señal de recompensa. Es la base de sistemas de juego como AlphaGo y es cada vez más relevante para la robótica, los sistemas autónomos y, de forma modificada, el entrenamiento de modelos de lenguaje mediante el aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF). Más información sobre el aprendizaje por refuerzo >

La IA generativa utiliza grandes modelos fundacionales —a menudo denominados large language models (LLM) cuando se aplican a texto— para producir contenido nuevo: texto, código, imágenes, audio y datos sintéticos. Entre sus capacidades clave se incluyen el aprendizaje zero-shot (realizar tareas sin ejemplos de entrenamiento específicos) y el prompting de cadena de pensamiento (guiar a los modelos para que razonen un problema paso a paso). La velocidad de adopción ha superado las prácticas de evaluación en muchas organizaciones, lo que supone un riesgo de gobernanza que aparece en producción antes que en la planificación. Más información sobre IA generativa >

La IA multimodal combina entradas de distintas modalidades (texto, imágenes, audio y vídeo) en un espacio compartido de representaciones vectoriales (embedding), lo que permite que un único modelo razone a través de distintos tipos de datos. Representa la frontera actual del desarrollo de modelos fundacionales y es cada vez más relevante para aplicaciones que necesitan procesar documentos, diagramas y medios no estructurados de forma conjunta.

Un agente de IA es mucho más capaz que un simple chatbot. Un agente puede planificar en varios pasos, usar herramientas externas, recuperar contexto de fuentes externas y realizar acciones. Por ejemplo, un chatbot de atención al cliente puede responder preguntas, pero un agente puede recibir una consulta, recuperar el historial de la cuenta correspondiente, contrastarlo con una base de conocimientos, redactar una resolución y abrir un ticket de soporte, casi todo de forma autónoma.

Esta capacidad es también lo que convierte a los sistemas de agentes de IA en la categoría de mayor riesgo del stack de IA empresarial. Los errores se acumulan a lo largo de los pasos, por lo que la supervisión humana debe planificarse antes de la implementación.

Además, los agentes de IA solo son tan buenos como la información a la que pueden acceder: la calidad de la recuperación, la gestión del contexto y la fiabilidad de las herramientas son tan importantes como el propio modelo. Un agente que opera con datos obsoletos, incompletos o mal delimitados produce a gran velocidad errores plausibles y aparentemente fiables.

La IA agéntica es actualmente el área de la IA empresarial que evoluciona más rápido, y los marcos de gobernanza todavía se están poniendo al día. Los equipos que crean sistemas de agentes de IA deben definir el alcance, las vías de escalado y los modos de fallo antes de la implementación, no después. Más información sobre los agentes de IA >

La adopción de la IA empresarial tiende a concentrarse allí donde el flujo de trabajo, las entradas de datos y los criterios de evaluación se comprenden bien. Los siguientes ejemplos se centran en áreas donde la IA ya se está aplicando en producción, en lugar de experimentos especulativos o en fases iniciales.

El apoyo a la toma de decisiones complementa el criterio de analistas y operadores con recomendaciones generadas por modelos, como la puntuación de riesgos, la suscripción de créditos, el apoyo a las decisiones clínicas o la optimización de la cadena de suministro.

La automatización gestiona el trabajo de gran volumen y basado en gran medida en reglas: procesamiento de documentos, clasificación de correos electrónicos, enrutamiento de tickets de soporte, entrada de datos y revisión de código. El valor está en la capacidad de procesamiento y la coherencia, no en la novedad.

La generación de contenido utiliza la IA generativa para producir borradores, resúmenes, traducciones, descripciones de productos y documentación interna a gran escala. Aquí, el control de calidad y la infraestructura de evaluación importan más que la selección del modelo.

La personalización impulsa motores de recomendación, precios dinámicos, marketing individualizado y experiencias de producto adaptativas. Estos sistemas suelen ser las implementaciones de ML más antiguas de una organización y arrastran la mayor deuda técnica histórica.

La detección de fraudes y anomalías utiliza el aprendizaje profundo para identificar patrones que se desvían de la línea de base: fraude financiero, intrusiones en la red, defectos de fabricación y problemas de calidad de los datos.

La previsión aplica modelos de series temporales y ML a la planificación de la demanda, la gestión de la capacidad, las proyecciones financieras y el modelado de riesgos.

Mira esta presentación para entender cómo la IA generativa y la computación acelerada están transformando todos los sectores:

La gobernanza de la IA ya no es un ejercicio de planificación para una implementación futura. Muchas organizaciones están gobernando ahora sistemas que ya están en producción, incluidos modelos y aplicaciones creados antes de que los controles empresariales, las estructuras de propiedad y las prácticas de supervisión estuvieran completamente definidos.

El entorno normativo ha hecho que esta cuestión sea más urgente. La Ley de IA de la UE establece requisitos diferenciados en función del nivel de riesgo: los sistemas utilizados en contratación, crédito, cuerpos de seguridad e infraestructuras críticas están sujetos a las obligaciones más estrictas. El marco AI Risk Management Framework de NIST proporciona una estructura voluntaria, pero ampliamente adoptada, para identificar, evaluar y gestionar el riesgo de la IA a lo largo del ciclo de vida del modelo. Ambos parten de la base de que la gobernanza empieza en el diseño, no en la implementación, lo que significa que las organizaciones que se saltaron ese paso ahora están construyendo de forma retroactiva las estructuras que deberían haber existido desde el principio.

El riesgo de la IA empresarial se divide en tres categorías:

• El riesgo de los datos abarca la calidad, el sesgo, la procedencia y la privacidad de los datos de entrenamiento.
• El riesgo del modelo abarca la precisión, la calibración, la degradación y la interpretabilidad.
• El riesgo operativo abarca los efectos posteriores de los resultados del modelo en las decisiones, las personas y los sistemas.

Gestionar esos riesgos requiere una evaluación sistemática: procesos definidos para probar el comportamiento del modelo antes de la implementación, monitorizarlo en producción y detectar la degradación antes de que se convierta en un problema empresarial.

El mismo patrón se repite en las implementaciones empresariales: los equipos que invierten pronto en evaluaciones detectan los modos de fallo antes de que lleguen a producción, mientras que los que no lo hacen acaban aplicando ingeniería inversa a los problemas a partir de las quejas de los usuarios.

La calidad de la IA depende de la calidad de los datos. Esta relación se mantiene en todas las disciplinas tratadas en esta guía: un modelo de aprendizaje profundo entrenado con datos no representativos fallará de la misma manera que falla una regresión logística entrenada con datos deficientes, solo que de forma menos evidente.

Los requisitos de datos de la IA moderna van más allá de los conjuntos de datos limpios y etiquetados. Incluyen controles de acceso gobernados (para que los modelos se entrenen con datos que los equipos están autorizados a usar), definiciones de negocio claras (para que las características signifiquen lo mismo en los entornos de entrenamiento y de producción), linaje y procedencia (para que los equipos puedan rastrear el comportamiento de un modelo hasta sus datos de entrada) y una infraestructura de alto rendimiento capaz de servir datos a los modelos en la inferencia sin introducir latencia ni cuellos de botella.

La realidad operativa es que el trabajo de ingeniería de datos se ha orientado sustancialmente hacia la IA. La encuesta de MIT Technology Review Insights reveló que los ingenieros de datos dedican ahora el 37 % de su tiempo a proyectos de IA, frente al 19 % en 2023, es decir, casi el doble en dos años. Ese cambio está presionando a los equipos de plataformas de datos para que los datos listos para la IA estén disponibles de forma fiable, no solo teóricamente accesibles.

Más información sobre Snowflake para IA >

La fiabilidad de la IA empresarial depende del sistema operativo que rodea al modelo: métodos de evaluación, acceso a datos gobernados, prácticas de supervisión, estructuras de propiedad y vías de escalado para resultados incorrectos, degradación del modelo, degradación del rendimiento y comportamientos no deseados. Las siguientes guías cubren las disciplinas que ayudan a los sistemas de IA a pasar de implementaciones aisladas a servicios de producción fiables.