En el ámbito empresarial, un número significativo de iniciativas de inteligencia artificial (IA) no fracasan debido a la falta de sofisticación de los modelos, sino por la calidad de los datos que los alimentan. Esta realidad ha comenzado a ser evidente en el acelerado despliegue de sistemas de recuperación de información y agentes de IA, donde las organizaciones descubren que contar con mejores modelos ofrece mejoras marginales si la información subyacente es fragmentada, obsoleta o contradictoria.
Un nuevo eBook titulado «The missing layer in enterprise AI» revela que adoptar una mentalidad centrada en los modelos es un error costoso. El documento expone cómo los sistemas de conocimiento defectuosos están mermando el rendimiento de los sistemas de recuperación de información y los agentes de IA.
El recurso proporciona una guía sobre cómo construir la base que realmente necesita la IA. Entre los aspectos destacados, se encuentran conceptos que abordan la importancia de la fiabilidad en los datos. Por ejemplo, se explica que alcanzar un 90% de fiabilidad en cuatro dimensiones de conocimiento solo resulta en un 65% de precisión; por lo tanto, elevar esa fiabilidad al 97% es crucial y, en muchos casos, más importante que mejorar el modelo en sí.
Además, el eBook plantea que el conocimiento debe ser considerado como una infraestructura, sugiriendo un enfoque que vaya más allá de la mera migración de contenido hacia una ingeniería del conocimiento, utilizando conectores conscientes de la fuente y sincronizaciones incrementales. También se menciona la necesidad de establecer flujos de trabajo asistidos por IA y verificados por humanos, donde la inteligencia artificial se encargue de detectar conflictos y duplicados, mientras que los expertos en la materia se ocupen de la resolución de problemas críticos, desmintiendo la idea de la curación completamente automatizada.
Otro punto clave subraya la importancia de la publicación de una única fuente para múltiples audiencias. Esto implica asegurarse de que los datos precisos lleguen a los usuarios correctos mediante variantes etiquetadas por audiencia y acceso basado en roles, mejorando así la relevancia y eficacia de la información.
El documento también presenta algunas conclusiones esenciales para líderes técnicos, tales como la necesidad de unificar la ingesta de datos mientras se preserva la metadata de procedencia, aplicar detección de duplicados semánticos y puntajes de frescura, y crear un bucle cerrado entre el rendimiento de la IA en producción y la estrategia de contenido. Esta visión técnica tiene como objetivo ayudar a líderes de IA, aprendizaje automático y tecnología de la información a superar la trampa de las pruebas de concepto fallidas y desarrollar sistemas de IA que funcionen realmente en el entorno empresarial actual.
vía: AI Accelerator Institute