Explorando el universo de la IA: el enfoque híbrido

En la actualidad, las empresas buscan implementar la IA para mantener su competitividad, comprender mejor a sus clientes y lograr mejoras. A pesar del creciente entusiasmo en torno al potencial de la IA, muchas iniciativas tendrán dificultades para ser relevantes.

La falta de una plataforma de colaboración respaldada por una sólida infraestructura de nube híbrida es uno de los principales responsables de este desafío. Sin una nube híbrida que respalde la estrategia de IA, el éxito seguirá siendo difícil de alcanzar.

La promesa de la IA resulta difícil de ignorar. Las nuevas herramientas basadas en IA ayudan a las empresas a trabajar de forma más inteligente automatizando tareas rutinarias. También, proporcionan información más precisa a partir de datos que pueden transformar la experiencia del cliente, mostrar ahorros de costes y revelar nuevas oportunidades.

Ahora que muchas de las principales empresas presumen de las capacidades de la IA, casi todos los CIOs sienten la presión de apostar por ella o se arriesgan a quedarse rezagados frente a la competencia.

Pero, la realidad es que a las empresas les cuesta convertir los proyectos piloto de IA a producción. Los costes y la complejidad asociados abruman a los equipos de ciencia de datos que carecen de la madurez operativa adecuada. La infraestructura no puede satisfacer las elevadas exigencias de las cargas de trabajo de la IA. Los silos entre desarrolladores, ingenieros de datos y operaciones de TI ralentizan el progreso.

En el ámbito de la IA, la confianza es primordial. La idea de la explicabilidad del modelo se convierte en un factor crucial para establecer la confianza, abordando las preocupaciones relacionadas con la naturaleza de "caja negra" de los grandes modelos de machine learning.

Muchas empresas dudan en adoptar la IA debido a un escepticismo comprensible en torno a la confianza en los resultados de los modelos. ¿Cómo confiar en que las recomendaciones de la IA reflejan fielmente la realidad? Esto resulta especialmente preocupante en sectores reacios al riesgo, como la sanidad y los servicios financieros.

La explicabilidad del modelo no consiste sólo en comprender su funcionamiento interno, sino también en garantizar que el modelo se ha entrenado con datos contrastados, propios y contextuales. Los más valiosos para los casos de uso empresarial siguen siendo los datos de propiedad exclusiva que se encuentran almacenados en sistemas heredados y en centros de datos privados. Los modelos entrenados con activos propios depurados, validados y enriquecidos pueden generar confianza ya que los resultados de la IA proceden de datos reales y veraces exclusivos de la propia organización.

Por ejemplo, cuando se entrenan los chatbots de atención al cliente con transcripciones de llamadas de clientes genuinas que se han ido etiquetando a lo largo de los años, se garantiza que las respuestas que den sean similares a las que daría un agente de atención al cliente real durante una conversación telefónica, en lugar de parecer respuestas preprogramadas o generadas automáticamente.

Del mismo modo, en Ansible Lightspeed, los modelos se entrenan con manuales reales de Ansible, por lo que los resultados no son solo teóricamente sólidos, sino prácticos y viables.

Los datos contrastados fluyen a través de pipelines híbridos hacia los modelos. Así, cuando la IA implementada toma decisiones, ofrece recomendaciones o incluso genera código automáticamente, es posible explicar qué factores y datos entrenaron el modelo. Esta transparencia genera confianza y seguridad en la IA adoptada.

El gran problema de este planteamiento es que muchas organizaciones, sobre todo las que están altamente reguladas, dudan si tener datos privados en la nube. En algunos casos, simplemente no pueden hacerlo debido a requisitos legales y regulatorios. Mantener los datos en on-premise es, por tanto, una obligación.

Aquí es donde nos encontramos con nuestro siguiente gran problema: el desarrollo y el entrenamiento de modelos de IA absorben ciclos informáticos masivos que superan con creces la capacidad de los centros de datos tradicionales. La naturaleza variable del trabajo de la ciencia de datos también exige una ampliación y reducción flexibles de la infraestructura para satisfacer las demandas, lo que significa que existe una necesidad innegable de la potencia de cálculo y la escalabilidad que ofrece la nube pública.

Los costes de la nube pública pueden descontrolarse sin una gobernanza adecuada. Lo que los equipos de ciencia de datos necesitan es un acceso flexible a los recursos de la nube pública que irrumpan desde una base de nube privada. Un modelo híbrido proporciona el entorno de entrenamiento más rentable y ágil al eliminar la capacidad no utilizada.

La nube híbrida permite el consumo de la nube pública solo cuando es necesario para satisfacer demandas temporales, al mismo tiempo que permite que los datos residan en on-premise.

Un beneficio adicional del enfoque híbrido se centra en los criterios ambientales, sociales y de buen gobierno (ASG). A medida que los consumidores y clientes se sienten cada vez más motivados por estos criterios, trasladan su poder adquisitivo a organizaciones con un marco establecido.

Las empresas pueden considerar que las estructuras de nube híbrida ofrecen un enfoque equilibrado para gestionar los costes y la sostenibilidad medioambiental. Las organizaciones pueden optimizar los recursos en función de los requisitos específicos del proyecto, garantizando que las iniciativas de IA sigan siendo rentables y responsables con el medioambiente. La flexibilidad que ofrece una nube híbrida permite la asignación dinámica de recursos, evitando gastos innecesarios y reduciendo la huella de carbono global asociada al entrenamiento de modelos de IA.

El camino hacia la excelencia en IA implica alcanzar un delicado equilibrio. La era de la IA exige no solo destreza técnica, sino también perspicacia estratégica para gestionar los datos propios, garantizar el cumplimiento de la legislación y optimizar los recursos. La nube híbrida emerge como el eje de esta narrativa, ofreciendo una solución integral que alinea el potencial de la IA con los imperativos de la gobernanza de la empresa moderna.

A medida que el panorama de la IA sigue evolucionando, adoptar una estrategia centrada en la nube híbrida no es solo una opción, es un imperativo para el éxito.

***Erica Langhi es Senior Solutions Architect EMEA de Red Hat.