Conceptos básicos y alfabetización en IA

Diferencias entre IA, machine learning e IA generativa

La IA es el término general para las tecnologías que reproducen con máquinas las funciones intelectuales humanas; el ML es un método de IA que aprende regularidades a partir de los datos, y el aprendizaje profundo es un tipo de ML que usa redes neuronales de varias capas. La IA generativa es el campo que crea contenido nuevo, como textos o imágenes, con modelos fundacionales entrenados con grandes cantidades de datos. En el examen se evalúa la capacidad de distinguir qué tipo de tecnología corresponde a un problema del negocio.

→ Las capas de los servicios de IA y ML de AWS

Algoritmo, modelo, entrenamiento e inferencia

Un algoritmo es el procedimiento para aprender de los datos, y un modelo es el resultado de aprender de los datos históricos con ese procedimiento. El entrenamiento es el proceso de crear el modelo, y la inferencia es el proceso de predecir o generar sobre datos nuevos con un modelo ya entrenado. Cuando se usa un modelo fundacional, se aprovecha un modelo ya entrenado, por lo que el centro del coste diario es la inferencia.

→ Amazon SageMaker AI Glosario

Tipos y calidad de los datos

Frente a los datos estructurados, como una tabla de ventas o un registro de clientes, los correos electrónicos, los contratos, las imágenes o las grabaciones de llamadas son datos no estructurados. La IA generativa ha ampliado las situaciones en las que los datos no estructurados se pueden aprovechar en el trabajo. Por otro lado, como la IA refleja en sus resultados la calidad y los sesgos de los datos con los que aprendió, es imprescindible comprobar la exactitud, la exhaustividad y la actualidad de los datos.

Cuándo usar la automatización basada en reglas y cuándo la IA

Los procesos con reglas claras, en los que el motivo de la decisión se puede explicar por completo y no se admiten errores, como comprobar el límite de un gasto, se resuelven mejor con automatización basada en reglas que con IA. Los procesos con patrones complejos y muchas excepciones, como clasificar consultas o prever la demanda, son adecuados para la IA. Aplicar IA a un problema que no necesita IA suele limitarse a aumentar el coste y la dificultad de explicar las decisiones.

Agentes de IA

Un agente de IA es un sistema que decide por sí mismo los pasos para alcanzar un objetivo dado y avanza en el trabajo llamando a herramientas y sistemas externos. A diferencia de un chatbot que solo responde preguntas, también realiza acciones, como registrar una reserva o emitir un comprobante. También existe la forma en que varios agentes se reparten los roles y colaboran, mientras la orquestación controla el flujo en su conjunto.

→ El uso de Amazon Quick en el trabajo

Deriva de modelos y supervisión continua

La IA en producción pierde rendimiento respecto al momento de su implantación cuando cambian el comportamiento de los clientes, el mercado o las tendencias de los datos de entrada. Este fenómeno se llama deriva de modelos, y la IA no se da por terminada al implantarla: se planifica partiendo de que se seguirá supervisando, reevaluando y actualizando su rendimiento. También hay que prever como coste operativo la supervisión y el reentrenamiento.

IA en la sombra

Se llama IA en la sombra (shadow AI) a que los empleados usen en el trabajo herramientas de IA que la organización no ha aprobado, lo que puede provocar fugas de información confidencial e incumplimientos normativos. La medida es clasificar las herramientas de IA como aprobadas, bloqueadas o en evaluación, publicar esa clasificación, ofrecer alternativas aprobadas y formar a los empleados. La prohibición total, al no ofrecer otro medio, tiende a aumentar el uso oculto y es un patrón típico de respuesta incorrecta.

Prompt y ventana de contexto

Si en el prompt se indican con claridad el rol que se quiere que asuma el modelo, el contexto de fondo, las instrucciones concretas y el formato de salida, la respuesta se acerca a la deseada. Hay un límite (la ventana de contexto) en la cantidad de tokens que un modelo puede procesar de una vez, y si se entrega un documento largo entero, se pierde información y baja la calidad de la respuesta. Hace falta reducir el material o entregarlo resumido.

→ Selección de modelos y diseño de prompts

RAG y ajuste fino

RAG es un método que busca conocimiento externo, como los documentos internos, lo añade al prompt y genera respuestas actualizadas y fundamentadas. El ajuste fino es un método que entrena el modelo fundacional con datos adicionales para adaptar su tono, su formato y su comportamiento en un campo especializado. Si se quiere reflejar conocimiento nuevo, se usa RAG; si se quiere cambiar el comportamiento, el ajuste fino, y el orden básico es empezar por mejorar el prompt. Amazon Bedrock Knowledge Bases ofrece de forma administrada desde la incorporación de los documentos internos hasta la búsqueda, de modo que se puede usar RAG sin construirlo desde cero.

→ RAG con Bedrock Knowledge Bases / → Amazon Bedrock Glosario

Normas internacionales de IA

ISO/IEC 22989 es la norma que define los conceptos y la terminología de la IA, y sirve de base para que todas las partes hablen con las mismas palabras. ISO/IEC 23053 es el marco que muestra los componentes de los sistemas de IA que usan ML. ISO/IEC 42001 es la norma que define los requisitos del sistema con el que una organización gestiona la IA (sistema de gestión de la IA), y admite la certificación por terceros. Para recordarlo: terminología, 22989; marco de los sistemas que usan ML, 23053; sistema de gestión certificable, 42001.