Inteligencia Artificial: Iniciativas para el desarrollo de plataformas de IA en las organizaciones.

Actualizado: 10 may

Aunque los avances en el aprendizaje automático, la visión por ordenador, los chatbots y la inteligencia artificial (IA) de vanguardia impulsan la adopción, son estas tendencias las que dominan el Hype Cycle de este año. Esto es lo que afirmo Gartner.





Mediante el uso del procesamiento del lenguaje natural (PLN) y de tecnologías emergentes como la IA generativa, los gráficos de conocimiento y la IA compuesta. Las organizaciones utilizan cada vez más soluciones de IA para crear nuevos productos, mejorar los existentes y aumentar su base de clientes.

Sin embargo, el objetivo principal de las organizaciones es acelerar la velocidad a la que las pruebas de concepto (POC) pasan a la producción. De ahí que las siguientes cuatro tendencias dominen el panorama de la IA del año 2021, según Gartner.


  1. Operacionalización de las iniciativas o plataformas de IA.

  2. Uso eficiente de los datos y modelos a pequeña escala de valor.

  3. Responsabilidad en el manejo de proyectos de inteligencia artificial (IA)

  4. Manejo focalizado de los datos para la inteligencia artificial (IA)



Fuente: Gartner





1. Operacionalización de las iniciativas de IA:

Para la mayoría de las empresas, la entrega e integración continua de soluciones en IA dentro de sus aplicaciones empresariales y los flujos de trabajo del negocio es una compleja idea de última hora.


"En promedio, se tardan unos ocho meses en conseguir que un modelo basado en la IA se integre en un flujo de trabajo empresarial y que aporte un valor tangible"

Sin embargo, para reducir los fracasos de los proyectos de IA, las organizaciones deben operativizar eficientemente sus arquitecturas de IA.


Gartner espera que para 2025, el 70% de empresas en Latam, hayan operacionalizado las arquitecturas de IA debido a la rápida madurez de las iniciativas de organización de IA.


Las empresas deberían considerar la operacionalización del modelo (ModelOps) para operacionalizar las soluciones de IA. ModelOps reduce el tiempo que se tarda en pasar los modelos de IA del piloto a la producción con un enfoque basado en principios que puede ayudar a garantizar un alto grado de éxito. También ofrece un sistema de gobernanza y gestión del ciclo de vida de todos los modelos de IA (gráficos, lingüísticos, sistemas basados en reglas y otros) y de decisión.



Fuente: ModelOp



2. Uso eficiente de los datos y modelos a pequeña escala de valor.

A medida que las organizaciones continúan innovando en IA, también necesitan utilizar de forma eficiente todos los recursos: datos, modelos y procesamiento.

Por ejemplo, la IA compuesta consiste actualmente en combinar enfoques de IA "conexionistas", como el aprendizaje profundo, con enfoques de IA "simbólicos", como el razonamiento basado en reglas, el análisis de gráficos, el modelado basado en agentes o las técnicas de optimización.

El resultado de la combinación de esas técnicas (entre otras) es un sistema de IA compuesta que resuelve una gama más amplia de problemas empresariales de manera más eficiente.


Las organizaciones pueden aplicar la IA generativa que crea contenidos multimedia originales, datos sintéticos y modelos de objetos físicos. Por ejemplo, la IA generativa se utilizó para crear un medicamento para tratar el trastorno obsesivo compulsivo (TOC) en menos de 12 meses. Gartner estima que para 2025, más del 30% de los nuevos medicamentos y materiales se descubrirán sistemáticamente mediante técnicas de IA generativa.



3. Responsabilidad en el manejo de proyectos de inteligencia artificial (IA)

Cuanto más sustituye la IA a las decisiones humanas a escala, más se amplifican los impactos positivos y negativos de dichas decisiones. Si no se controlan, los enfoques basados en la IA pueden perpetuar los prejuicios, lo que puede dar lugar a problemas, pérdidas de productividad e ingresos.


Aunque los algoritmos pueden deducir la raza y el género a partir de parámetros indirectos, como los nombres típicos de las mujeres o los códigos postales con la demografía racial dominante, es difícil detectar un sesgo más implícito. Por ejemplo, un científico de datos podría pasar por alto que un número de clics en el sitio web puede ser discriminatorio para la edad. La IA puede clasificar perfectamente una boda occidental estereotipada pero ser ciega a las bodas de la India y África.


De cara al futuro, las empresas deben desarrollar y hacer funcionar los sistemas de IA con imparcialidad y transparencia y cuidar la seguridad, la privacidad y la sociedad en general.



4. Manejo focalizado de los datos para la inteligencia artificial (IA)

Disrupciones como la pandemia de COVID-19 están provocando que los datos históricos que reflejan las condiciones del pasado queden rápidamente obsoletos, rompiendo muchos modelos de producción de IA y ML.

Los líderes de TI están recurriendo ahora a nuevas técnicas de análisis conocidas como "small data" y "wide data". En conjunto, son capaces de utilizar los datos disponibles de forma más eficaz, ya sea trabajando con bajos volúmenes de datos o extrayendo más valor de fuentes de datos no estructuradas y diversas. Afirma Gartner.


Para 2025, Gartner espera que el 70% de las organizaciones se vean obligadas a cambiar su enfoque de big data a small y wide data, proporcionando más contexto para la analítica y haciendo que la IA tenga menos hambre de datos.


34 visualizaciones0 comentarios

Entradas Recientes

Ver todo