La elección de una Inteligencia Artificial (IA) adecuada para un proyecto puede ser un desafío, dada la amplia gama de opciones disponibles. En este artículo, analizaré la evolución a largo plazo, exploraremos las tres categorías principales de consumo de IA generativa y los criterios para seleccionar la opción más adecuada según las necesidades del proyecto: servicios de software como servicio (SaaS), opciones Open Source y modelos entrenados In-House.
También hemos de tener muy en cuenta el factor tiempo en la toma de decisión. Es decir, cuando va a entrar en producción un proyecto. La aceleración exponencial de las novedades en IA en las entregas de valor que los diferentes actores realizan, provoca que los argumentos con los que evaluamos hoy la idoneidad de una solución mañana o pasado (siendo generosos) queden obsoletos. Es por esto que podemos hablar de 3 etapas en la adopción de IA en nuestros proyectos.
La actual, donde incorporamos procesos basados en IA en los aplicativos existentes. Por ejemplo, usando GPT para extraer información de un documento.
La segunda, basada en agentes, que reciben una serie de instrucciones más o menos ambiguas y con ellas realizan operaciones complejas. Por ejemplo, recopilar información de varios documentos y preparar un informe de seguimiento.
La tercera, donde la IA ya es un trabajador más de nuestra organización, la principal diferencia con la segunda etapa es el alcance del agente, así como en la etapa anterior el agente debía recibir los documentos y “solo” sabia realizar “una tarea” bajo demanda, en la tercera etapa la IA ya “ve” todo su entorno de trabajo y puede interactuar con él. Por ejemplo, podemos tener una IA que maneje las aplicaciones de gestión actuales sin necesidad de realizar ningún cambio “estructural” en ellas, sencillamente explicándole a la IA lo que debe hacer y cuáles son sus objetivos.
Aunque este último punto pueda parecer muy lejano, la presentación de Microsoft de la semana pasada ya apunta a este escenario con la inclusión de un agente en Teams que interacciona directamente con los asistentes, con las instrucciones recibidas y con todo el ecosistema de datos de office 365, para actuar como facilitador y/o moderador de la reunión.
Una vez analizado el qué veamos el cómo, estas son las 3 opciones disponibles actualmente para explotar sistemas de IA:
Servicios SaaS (Software as a Service)
Proveedores y Ejemplos:
- OpenAI: GPT-3.5, GPT-4, GPT-4o
- Microsoft Azure AI *
- Amazon Web Services (AWS)
- Google Cloud AI: Gemini
- Meta: LLaMA
Pros:
- Acceso fácil y rápido: Configuración sencilla y rápida implementación.
- Actualización y mantenimiento: Los proveedores se encargan de las actualizaciones y el mantenimiento.
- Escalabilidad: Capacidad para manejar grandes volúmenes de datos y solicitudes.
- Seguridad y cumplimiento: Mayor inversión en seguridad y cumplimiento normativo.
Contras:
- Costos: Suscripción y tarifas de uso que pueden acumularse con el tiempo.
- Dependencia del proveedor: Riesgo de cambios en el servicio, precios o términos de uso.
- Menor personalización: Limitaciones en la personalización según necesidades específicas.
Opciones Open Source
Proveedores y ejemplos:
- Hugging Face: Modelos como GPT-Neo, BLOOM
- Meta: LLaMA
- Google: T5, BERT
Pros:
- Costo: Sin tarifas de licencia, solo costos de infraestructura y mantenimiento.
- Control: Mayor control sobre el modelo y su implementación.
- Flexibilidad: Capacidad para modificar y ajustar el modelo según las necesidades específicas.
Contras:
- Recursos técnicos: Necesidad de un equipo técnico para implementación y mantenimiento.
- Mantenimiento y actualizaciones: Responsabilidad de mantener y actualizar el software.
- Seguridad: Mayor responsabilidad en asegurar la infraestructura.
Modelos entrenados In-House
Proceso:
- Desarrollo y entrenamiento: Crear y entrenar modelos específicos para necesidades particulares.
- Infraestructura: Implementación en servidores propios o en la nube.
Pros:
- Personalización extrema: Modelos ajustados específicamente a las necesidades del proyecto.
- Propiedad y control total: Completo control sobre el modelo y los datos.
- Optimización: Capacidad de optimizar el modelo para casos de uso específicos.
Contras:
- Costos iniciales altos: Inversión significativa en tiempo, recursos y dinero para desarrollar y entrenar el modelo.
- Riesgo de obsolescencia: Riesgo de que el modelo quede obsoleto rápidamente frente a nuevos avances en la tecnología.
- Mantenimiento continuo: Necesidad de actualización y mantenimiento constante.
Conclusión
La elección de la IA adecuada depende de las necesidades específicas del proyecto, los recursos disponibles y el nivel de control y personalización requeridos. Los servicios SaaS son ideales para implementaciones rápidas y escalables con menor mantenimiento, mientras que las opciones Open Source ofrecen un equilibrio entre costo y control. Los modelos entrenados In-House son adecuados para proyectos que requieren una personalización extrema y donde se pueden justificar los altos costos iniciales.
Cada opción tiene sus pros y contras, y es fundamental evaluar cuidadosamente estos factores antes de tomar una decisión. Además, es importante considerar la velocidad del avance tecnológico en el campo de la IA y la posibilidad de que los modelos se vuelvan obsoletos rápidamente.
El factor tiempo es seguramente el más importante para decidir cómo debemos integrar la IA en nuestros sistemas, eso implica que las soluciones que incorporemos deben existir actualmente y no es posible esperar a los desarrollos a medida.
Sigue toda la información de Open Hub News en X y Linkedin , o en nuestra newsletter.
