Getty Images/iStockphoto
Consideraciones y desafíos para implementar la IA en las empresas
La infraestructura empresarial necesaria para soportar las aplicaciones de IA necesita proporcionar escala, rendimiento, resiliencia y seguridad para los modelos y los puntos finales de inferencia, dice Nutanix.
La inteligencia artificial generativa ha estado dominando como tendencia durante el último año y medio. Según una Encuesta de Forbes Advisor, el 56 % de las organizaciones utilizan la IA a nivel global para mejorar las operaciones comerciales, el 51 % para reforzar la ciberseguridad y la gestión del fraude, y el 46 % para la gestión de las relaciones con los clientes.
Sin duda, la adopción de la IA continuará en el futuro, especialmente a medida que la tecnología se vuelva cada vez más accesible y útil. Los chatbots y agentes de IA no sólo son buscados activamente al ir a un sitio web o abrir una aplicación, sino que están integrados en cada aplicación y servicio que ya utilizamos. La tendencia más importante es que la IA se acerca cada vez más al usuario.
Al mismo tiempo, los inversores cuestionan el potencial retorno de la inversión (ROI) de las implementaciones masivas en IA de las empresas. Un análisis de Sequoia Capital estimó, en 2024, que las empresas que desarrollan modelos de IA deben generar colectivamente alrededor de 600 mil millones de dólares por año para pagar su infraestructura de IA. Nos encontramos en un punto donde las expectativas están infladas y, hasta el momento, la IA no ha decepcionado.
Julio Castrejón
En este panorama incierto, las empresas se enfrentan a algunos desafíos comunes en su recorrido por la IA: la nube versus lo local, los modelos abiertos y cómo mantener seguros sus datos, aplicaciones y modelos.
La nube y las instalaciones locales
La nube es ideal para crear y entrenar modelos de IA, ya que puede utilizar toda la computación que necesita. Las empresas que realizan experimentos de IA saben que, para tener alguna posibilidad de éxito, necesitan ajustar o conectar los modelos existentes con sus propios datos para proporcionar resultados con la máxima fidelidad. Dicho esto, les preocupa probar sus proyectos de IA en una nube pública porque no quieren exponer sus datos privados que podrían incorporarse a un modelo público, o incluso simplemente filtrarse. Es comprensible que preocupe tal escenario si sus datos privados abarcan información competitiva, investigaciones, finanzas, hojas de ruta, repositorios legales, etc.
Las empresas quieren acceder al valor que proporcionan las nubes públicas de IA. Sin embargo, dado el mayor escrutinio en torno al ROI y las fuertes preocupaciones sobre la privacidad, preferirían llevar todo ese valor a las instalaciones con una compra de software estándar. En lugar de una factura interminable de la nube, las empresas quieren un CAPEX definible y conocido.
La solución adecuada puede hacer que sus proyectos de IA locales sean fáciles de implementar, fáciles de usar y seguros, porque la empresa controla todo: desde el firewall hasta las personas que contrató. Además, pueden dimensionar lo que necesita según el valor que va a obtener en lugar de utilizar la nube, con sus precios complejos y sus costos difíciles de predecir. Es razonable querer superar sus miedos a la nube de IA, obtener acceso a los mejores modelos y servicios de IA, y pagar un precio predecible.
Los modelos abiertos son sus aliados
La aparición de modelos abiertos puede ofrecer a las empresas tanto valor y potencia como los modelos propietarios en la nube, y así las empresas pueden seleccionar el modelo correcto para el caso de uso correcto, desde repositorios en línea como Hugging Face.
Las empresas están experimentando activamente con estos modelos abiertos en cuatro categorías amplias:
- copilotos,
- detección de fraude,
- generación y resumen de documentos, y
- chatbots generativos de IA.
Hay algunos casos de uso bien conocidos y logros iniciales, y con las continuas inversiones masivas de las grandes empresas tecnológicas, el rendimiento y las capacidades de los modelos y aplicaciones de IA seguirán mejorando rápidamente.
Proteger los modelos, no solo los datos
Si se va a obtener código de programación en internet, es necesario asegurarse de poder confiar en él. Dado que los modelos abiertos más populares son de Meta, Microsoft y Google, es probable que pueda confiar en su código la mayor parte del tiempo. Además, Hugging Face realiza un escaneo básico de cualquier modelo subido a su sitio.
En el momento en que ajuste o personalice ese modelo abierto con sus datos privados, querrá protegerlo. Ya sea que esté ajustando un modelo abierto con los datos de la empresa, o vectorizándolos para la generación aumentada de recuperación (RAG), es fundamental proteger ese modelo y su acceso. Incluso una vez que haya conectado los datos a un modelo abierto y todo esté en las instalaciones detrás de su firewall, aún debe asegurarse de que esté seguro.
Incluso dentro de la empresa, es importante limitar quién puede hablar con su modelo recién personalizado. Eso puede significar limitar el acceso por unidad de negocio, antigüedad o simplemente roles específicos. Eso es solo interno: también debe configurar permisos específicos para uso externo.
Durante las últimas décadas, la infraestructura empresarial para aplicaciones empresariales se ha creado para ofrecer escala, rendimiento, resiliencia y seguridad para las bases de datos en el corazón de las aplicaciones empresariales críticas. La próxima década se centrará en nuevas soluciones de infraestructura que puedan proporcionar escala, rendimiento, resiliencia y seguridad para los modelos y los puntos finales de inferencia en el corazón de las nuevas aplicaciones empresariales de IA, en cualquier lugar.
Julio César Castrejón es country manager de Nutanix México. Cuenta con más de 15 años de experiencia en la industria de tecnologías de la información, incluidos los segmentos de almacenamiento, seguridad y software. Tiene un extenso conocimiento de cada una de las figuras dentro del ecosistema de tecnologías en la nube, y es impulsor del contacto y la relación cercana con clientes y partners. Es ingeniero electrónico por el Tecnológico de Monterrey, con especialidad en Liderazgo y Habilidades de negocio por la Harvard Business School. Previo a este cargo, se desempeñó en diferentes posiciones de dirección en Pure Storage, Dell EMC e IBM.
