Aplicar Inteligencia Artificial en empresa (Parte 2)

Buenas Buenas! ¿como andan? Espero que todo muy bien! Acá estamos de nuevo con otro episodio del podcast Inteligencia Artificial y hoy, a pedido de ustedes, vamos a seguir con lo que estuvimos hablando en el episodio pasado de aplicar inteligencia artificial en la empresa.

Pero antes de empezar les recuerdo que se suscriban gratis a mi lista de correos en pochocosta.com para empezar a recibir todas las semanas un email corto con lo más importante del mundo de la inteligencia artificial y algunos pensamientos de como podemos usar esas nuevas tecnologías a nuestro favor.

Ahora sí, vayamos con el tema.

Partiendo de lo que vimos en el episodio pasado con esos pasos para implementar inteligencia artificial en una empresa, ahora quería que profundicemos en los dos tipos más populares de inteligencias artificiales que tenemos en el momento. Qué son: los modelos de machine learning entrenados por nosotros mismos, el aprendizaje supervisado digamos, que fueron los modelos más populares hasta hace poco, y por otro lado los modelos generativos que en este último tiempo ganaron mucha popularidad.

Así que veamos cada uno para ver de qué se tratan y para que se pueden usar.

Empecemos por los modelos de machine learning de aprendizaje supervisado que es donde entrenamos a un modelo para que aprenda a hacer una cosa específica.

El caso más antiguo que me viene a la mente es cuando al principio en Gmail se implementó el filtro inteligente de spam. Ahí nosotros empezamos marcando cuáles correos eran no deseados y con eso Google fue entrenando modelos que aprendian a identificar los patrones que tenían esos correos y así empezó a clasificar entre spam y no spam y a ponerlos en una carpeta separada, y santo remedio.

Ese es un caso de uso de machine learning para clasificación. Pero no quiere decir que sirva sólo para texto, también podes entrenar un modelo al que le muestres fotos del producto que fabricas y le digas cual está defectuoso y cuál no, para después poner una cámara en la línea de producción y que haga la inspección visual y detecte los defectuosos.

Pero no solo se puede aplicar el aprendizaje supervisado para clasificar. También podríamos usar los datos históricos que tengamos de ordenes de servicio o de ventas de productos y entrenar un modelo que nos pueda predecir cuantas órdenes o cuánto de cada producto se va a vender en los próximos días.

Otro caso podría ser el de entrenar un modelo de machine learning para hacer mantenimiento predictivo de equipos. En esos usariamos datos de los equipos, que generalmente salen de sensores, también podríamos usar datos del ambiente como temperatura ambiente y humedad. También usariamos la historia de mantenimientos que se le hicieron a los equipos y datos de los fallos que tuvieron, y con todo eso entrenamos un modelo que pueda predecir cuando un equipo podría tener el siguiente fallo para que podamos anticiparnos y hacer el mantenimiento que corresponda.

Pero bueno, no me quiero centrar en los casos, sino mas bien en que se entienda el concepto y el proceso. El concepto es que tenemos unos datos de entrada a los cuales les tenemos mapeada una salida. Por ejemplo, un mail y si es spam o no. 

Y el proceso va a ser preparar una base de datos con todos esos ejemplos de entrada y salida y entrenar un modelo al que le podamos dar una entrada y pueda predecir la salida.

Por ejemplo Youtube entrena modelos que pueden predecir cuales son los videos que maximizan las posibilidades que me quede mas tiempo viendolos. Y esos son los que me sugiere, para que cuanto más tiempo mire mas publicidades pueden poner en el medio.

Ahora pasemos a los modelos de inteligencia artificial generativa. No voy a profundizar demasiado porque ya hice muchisimos episodios hablando de esto, pero basicamente son los modelos que generan texto como los GPT, ChatGPT o generan imágenes como Midjourney o Stable Diffusion. Y son modelos que ya fueron entrenados, con cantidades enormes de datos, son modelos que son costosisimos de entrenar pero que estas empresas los ofrecen a todo el mundo para que el resto de los mortales los podamos usar a un costo relativamente bajo.

Así que como se imaginan, el proceso es totalmente distinto. Usar estos modelos generativos es mucho más directo. No necesitamos armar un dataset, etiquetarlo, entrenar un modelo, y desplegarlo, sino que directamente con un prompt nos conectamos a una API y obtenemos la respuesta. Y si quisieras hacer un sistema de detección de spam le das el mail con un prompt que diga “decime si es spam o no es spam” y listo!

Como se darán cuenta esto hace que implementar sistemas que usen este tipo de modelos es mucho más rápido. Porque haber hecho un sistema de detección de spam desde cero hubiera llevado meses o años.

Entonces como vemos, estos modelos son increiblemente útiles y también nos hacen mas accesible la posibilidad de incluir inteligencia artificial en nuestra empresa, aunque, teniendo en cuenta la limitación de que estos modelos no saben nada de nuestra empresa, nuestros productos, servicios, clientes etcétera. 

Peeeero no pasa nada, porque como vimos hace un par de episodios, tenemos maneras de hacer que estos modelos puedan trabajar con nuestra información y una de esas maneras se llama Retrieval Augmented Generation y lo vamos a ver con la sigla RAG. Que es lo que nos permite combinar toda la capacidad generativa de los modelos de lenguaje con la información de nuestra empresa.

Si no lo escucharon les dejo el link en las notas al episodio que se llama “como crear un bot que trabaje con nuestros documentos”.

Entonces si comparamos estos modelos generativos con los modelos de entrenamiento propio, como los que dijimos de clasificación, forecast o detección de anomalias, ambos tienen puntos fuertes para cada caso y diferentes requerimientos para poder implementarlos.

Por ejemplo en los modelos de entrenamiento propio necesitas tener un historial de datos que vas a usar para el entrenamiento, vas a necesitar alguien con conocimiento para poder implementarlo, y desde que tengas la idea hasta que lo tengas funcionando van a pasar meses. O sea que van a llevar cierto tiempo y ciertos recursos.

Pero claro si necesitas detectar productos defectuosos en la cadena de producción de tu fábrica de manera automática con una cámara, no te queda otra que tener un modelo propio.

En cambio los modelos generativos te permiten empezar a prototipar más rápido, y hoy yo creo que son lo más recomendable para empezar a introducir la inteligencia artificial en los procesos de las empresas y automatizar algunas partes.

Así que bueno, espero que les haya gustado el episodio de hoy y si es así lo compartan con su gente y también que si no lo hicieron dejen 5 estrellitas en Spotify que eso ayuda a que el podcast sea descubierto por mas personas.

Y ahora si. Nos escuchamos en el próximo episodio, donde seguiremos hablando de este hermoso mundo de la inteligencia artificial.

Dejar recomendación en iTunes

Comentarios

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *