En un reciente panel de expertos en inteligencia artificial, destacados líderes del sector compartieron sus experiencias prácticas y lecciones aprendidas en la implementación de sistemas de IA en diversas industrias. Moderado por el CEO de TrueFoundry, el evento contó con la participación de Kishore Aradhya de Frontdoor, Eli Tsinovoi de UKG, Shafik “SQ” Quoraishee de The New York Times y Manish Nigam de Ameriprise Financial. A diferencia de encuentros anteriores centrados en teoría, esta conversación se focalizó en retos reales y soluciones prácticas para construir sistemas de IA eficientes y escalables.
Uno de los principales consensos del panel fue la importancia de comenzar con proyectos pequeños. Kishore Aradhya enfatizó que lanzarse hacia marcos de agencia avanzados puede ser contraproducente. En cambio, su equipo se enfoca en problemas bien definidos con resultados medibles, como la automatización de revisiones de reclamaciones de seguros, antes de abordar desafíos más complejos.
La discusión también tocó el tema del acceso y gestión de modelos de IA, una tarea que resulta ser más compleja de lo esperado. Las empresas representadas en el panel utilizan diferentes estrategias para manejar su infraestructura de IA. Eli Tsinovoi mencionó el uso de Google Cloud’s Vertex AI para aprovechar sus características de modelos y control de tokens. Por otro lado, Kishore Aradhya opta por Snowflake por sus capacidades de gobernanza y seguimiento de acciones. En contraste, The New York Times mantiene infraestructuras separadas para sus operaciones periodísticas y comerciales, asegurando la fidelidad de la información.
Otro punto de debate fue la necesidad de gateways específicos para IA en lugar de los tradicionales API gateways. Mientras que Eli Tsinovoi sugirió que los API gateways podrían evolucionar para manejar tráfico de IA, Manish Nigam argumentó que los sistemas de agentes requieren capacidades más complejas que las ofrecidas por los gateways tradicionales.
Una revelación importante del panel fue la falta de un sistema de trazabilidad unificado a nivel empresarial en las empresas representadas. La falta de estandarización en la observabilidad provoca que cada equipo implemente herramientas de manera diferente, complicando el seguimiento y la resolución de problemas. La experiencia de Eli Tsinovoi con plataformas observacionales sugiere que a menudo son eficaces en demostraciones, pero no se comportan igual en entornos reales.
Además, se abordó el concepto de «agente» en IA. Manish Nigam ofreció una definición clara, destacando que un agente es un modelo con acceso a herramientas y memoria. Esta comprensión es crucial para el desarrollo de sistemas de IA, ya que subraya la importancia de entender cómo y por qué se toman ciertas decisiones en las recomendaciones de IA.
Finalmente, los panelistas coincidieron en que hay barreras significativas para la adopción de sistemas de agentes. Lograr la alineación de las partes interesadas y enfocarse en problemas reales, en lugar de soluciones apresuradas, es esencial para el éxito de estas iniciativas. A medida que las empresas avanzan en sus esfuerzos de IA, es evidente que la infraestructura y la comprensión de las capacidades de la IA son más críticas que el modelo mismo.
En conclusión, el camino hacia una implementación efectiva de la IA se basa en pasos evolutivos más que en saltos revolucionarios. Enfocar la colaboración humana y construir sobre bases probadas son estrategias que pueden llevar a una innovación auténtica y sostenible en el campo de la inteligencia artificial.
