Recientemente, un panel de expertos en inteligencia artificial compartió lecciones valiosas sobre la implementación de sistemas de IA en diversas industrias. Moderado por el CEO de TrueFoundry, el evento reunió a figuras destacadas como Kishore Aradhya de Frontdoor, Eli Tsinovoi de UKG, Shafik “SQ” Quoraishee de The New York Times y Manish Nigam de Ameriprise Financial. Esta vez, a diferencia de charlas anteriores teóricas, los panelistas abordaron experiencias prácticas y desafíos reales al construir sistemas de IA eficientes y escalables.
Un punto clave entre los expertos fue la recomendación de empezar con proyectos pequeños. Kishore Aradhya destacó que apresurarse hacia “marcos avanzados de agencia” puede ser contraproducente. Su equipo prefiere centrarse en problemas conocidos con resultados medibles, como la automatización de revisiones de reclamaciones de seguros, antes de enfrentar desafíos más complejos.
El debate también exploró el acceso a modelos de IA, revelando que no es tan fácil como podría parecer. Cada empresa del panel adoptó diferentes enfoques para gestionar la infraestructura de IA. Eli Tsinovoi, por ejemplo, utiliza Google Cloud’s Vertex AI para sus características y control de tokens. Por otro lado, Kishore emplea Snowflake por razones de gobernanza, asegurando que cada acción sea rastreable. En contraste, The New York Times mantiene infraestructuras separadas para operaciones periodísticas y comerciales, priorizando la exactitud de la información.
Además, se discutió la necesidad de gateways específicos para IA frente a los tradicionales API gateways. Eli argumentó que los gateways tradicionales pueden evolucionar para manejar el tráfico de IA, mientras Manish defendió que los sistemas de agentes requieren capacidades más avanzadas que las que ofrecen los gateways convencionales.
Una revelación importante del panel fue que ninguna empresa ha implementado un sistema de trazabilidad unificado a nivel empresarial. La falta de estandarización en la observabilidad complica el seguimiento y la resolución de problemas. Las experiencias de Eli con plataformas observacionales muestran que a menudo funcionan bien en demos, pero no en entornos reales.
Otra discusión relevante se centró en la definición de “agente” en el contexto de IA. Manish definió un agente como un modelo que tiene acceso a herramientas y memoria, destacando la importancia de comprender el proceso de decisión detrás de las recomendaciones de la IA.
Finalmente, los panelistas coincidieron en que existen barreras significativas para la adopción de sistemas de agentes. La alineación humana entre las partes interesadas y el enfoque en problemas reales, en lugar de soluciones prematuras, son cruciales para el éxito. Conforme las empresas avanzan en sus esfuerzos de IA, es claro que la infraestructura y la comprensión de las capacidades de la IA son más importantes que el modelo en sí.
En resumen, el camino hacia la implementación efectiva de la IA no implica saltos revolucionarios, sino pasos evolutivos. Priorizar la colaboración humana y construir sobre bases sólidas son estrategias que pueden llevar a una innovación real y sostenible en el ámbito de la inteligencia artificial. vía: AI Accelerator Institute
