Recientemente, un panel compuesto por expertos en inteligencia artificial ha compartido valiosas lecciones 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. A diferencia de las conversaciones teóricas anteriores, los panelistas abordaron experiencias prácticas y los retos que enfrentan al construir sistemas de IA eficientes y escalables.
Uno de los puntos en común entre los expertos fue la recomendación de comenzar con proyectos pequeños. Kishore Aradhya, por ejemplo, destacó que apresurarse hacia “marcos avanzados de agencia” puede resultar contraproducente. Su equipo prefiere enfocarse en problemas conocidos con resultados medibles, como la automatización de revisiones de reclamaciones de seguros, antes de abordar desafíos más complejos.
El debate también giró en torno al acceso a modelos de IA, revelando que no es un proceso tan sencillo como se podría suponer. Cada empresa en el panel ha adoptado enfoques diferentes para gestionar la infraestructura de IA. Eli Tsinovoi, por ejemplo, utiliza Google Cloud’s Vertex AI para beneficiarse de sus características de modelos y controlar el uso de tokens. Por otro lado, Kishore usa Snowflake por razones de gobernanza, asegurando que cada acción sea rastreable. En contraste, The New York Times mantiene infraestructuras de IA separadas para operaciones periodísticas y comerciales, priorizando la fidelidad en la información.
Además, la discusión se intensificó al abordar la necesidad de gateways específicos para IA frente a los tradicionales API gateways. Eli argumentó que estos últimos pueden evolucionar para manejar el tráfico de IA, mientras que Manish alega que los sistemas de agentes requieren capacidades más avanzadas que las que ofrecen los gateways tradicionales.
Una revelación significativa del panel fue que ninguna de estas empresas ha logrado implementar un sistema de trazabilidad unificado a nivel empresarial. La falta de estandarización en la observabilidad hace que cada equipo implemente estas herramientas de manera diferente, complicando así el seguimiento y la depuración de problemas. La experiencia de Eli con plataformas observacionales indica que a menudo se ven bien en demos, pero no funcionan igual de bien en entornos reales.
Otra discusión relevante se centró en la definición de lo que significa ser «agente» en el contexto de IA. Manish proporcionó una definición concreta: un agente es un modelo que tiene acceso a herramientas y memoria. Esta comprensión impacta directamente en cómo se desarrollan estos sistemas, destacando la importancia de entender 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 de los humanos entre las partes interesadas y el enfoque en los problemas reales, en lugar de soluciones prematuras, son cruciales para el éxito de estas iniciativas. A medida que las empresas avanzan en sus esfuerzos de IA, se hace evidente 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 se trata de saltos revolucionarios sino de pasos evolutivos. Priorizar la colaboración humana y construir sobre bases probadas son estrategias que pueden llevar a una innovación real y sostenible en el ámbito de la inteligencia artificial.
vía: AI Accelerator Institute
