El papel del CIO a la hora de decidir sobre el desarrollo de aplicaciones basadas en IA

Tras permanecer bajo la superficie durante décadas, la IA se ha convertido en un tema de conversación muy popular. Las posibilidades de servicios como ChatGPT y DALL-E han despertado el interés general. Pero la IA tiene mucho más que ofrecer que escribir redacciones estudiantiles y generar obras de arte asombrosas. Puede tener un impacto significativo en la industria, al potenciar las empresas mediante aplicaciones como la visión por ordenador, procesamiento del lenguaje natural y sistemas para recomendar productos. Los CIO deben decidir ahora qué enfoque adoptar a la hora de desarrollar aplicaciones internas basadas en la IA para aprovecharla eficazmente.

Las aplicaciones potenciales de la IA son muy variadas. En el sector de la automoción, la visión por ordenador puede permitir sistemas automáticos de seguridad que reconozcan a los peatones en la carretera. El procesamiento del lenguaje natural puede agilizar los comandos de voz en el vehículo. En la industria de fabricación, la visión por ordenador puede controlar la calidad y sugerir un mantenimiento proactivo. En el comercio minorista, por ejemplo, la compra puede agilizarse mediante el reconocimiento automático de productos y clientes. Los servicios financieros pueden detectar anomalías en las transacciones para evitar fraudes. Las empresas relacionadas con el sector de la salud pueden mejorar la rapidez y precisión de los diagnósticos. Cualquier tipo de compañía puede mejorar la riqueza y calidad de su proceso empresarial, facilitando la localización de datos internos valiosos.

El ciclo de vida del aprendizaje automático consta de dos fases principales: formación e inferencia. La fase de formación ingiere enormes cantidades de datos e implementa la IA para reconocer patrones y construir modelos. Para ello se utilizan servidores de centros de datos informáticos de alto rendimiento equipados con las mejores CPU, como los procesadores AMD EPYC de 4ª generación, y aceleradores de centros de datos, como AMD Instinct. La fase de inferencia consiste en aplicar el modelo a los datos del mundo real para producir un resultado procesable. Para ello, se puede emplear un hardware similar al de la fase de formación o se puede operar a través de dispositivos integrados, como AMD Versal y Zynq Systems-on-Chip (SoC).

Para ser eficaces, las aplicaciones de IA necesitan modelos completos derivados de abundantes datos. Sin embargo, aunque las herramientas prefabricadas han progresado mucho en cuanto a la oferta de modelos, que se entrenan con datos externos públicos u obtenidos comercialmente, los datos más valiosos para una organización se encuentran dentro. Esto requerirá cierto desarrollo interno, en el que será esencial desplegar el ecosistema de hardware y software más rentable.

Una aplicación basada en IA puede proporcionar información más relevante si sus modelos se personalizan con los propios datos de la organización. Esto le permitirá ofrecer resultados más pertinentes para las necesidades de la organización. Sin embargo, a medida que la IA se generaliza, es probable que una combinación de enfoques basados en soluciones públicas de software, como servicio (SaaS) junto con aplicaciones internas, ofrezca los resultados más potentes.

La clave aquí es tener un acceso coherente a través de las pilas utilizadas para la formación y la inferencia. AMD Unified Inference Frontend (UIF) ofrece una vía de acceso a los marcos de IA estándar del sector, como Tensor Flow, PyTorch, WinML y Open Neural Network Exchange (ONNX). Estos, a su vez, pueden integrarse a la perfección con una pila de CPU AMD EPYC, una pila de GPU AMD Instinct controlada por software ROCm o la plataforma de IA Vitis para una pila integrada con SoC adaptables AMD Versal o Zynq.

Cuando los CIO desarrollan una estrategia para invertir en aplicaciones de IA, deben asegurarse de que gastan el dinero de la empresa de forma eficaz para obtener suficientes beneficios. Las mejoras en la eficiencia de los procesos, la productividad y la resistencia de la infraestructura de TI son fundamentales para medir los beneficios. Los CIO deben elegir la mejor arquitectura para su solución, que pueda implantarse rápidamente. Por eso es tan importante disponer de una amplia gama de paquetes de IA entre los que elegir.

Los CIO también tendrán que llevar a cabo una evaluación del impacto a lo largo del ciclo de vida de la aplicación, para garantizar que se gestiona de forma segura para una innovación responsable y, también, que cumple con las normativas y marcos de gobernanza de la privacidad como el NIST. Esto se debe a que lo más probable es que los modelos de IA se obtengan de datos sensibles, patentados, o de ambos, cuya confidencialidad debe protegerse como valiosa Propiedad Intelectual. Las implicaciones económicas de todos estos factores hacen que los CIO deban invertir en aquellas áreas donde los beneficios son claros, duraderos y proporcionan mejoras fundamentales de la productividad.

Sin embargo, la creación de los algoritmos subyacentes a los modelos de IA implica mucho tiempo y puede tener un coste muy elevado. Dependen de la disponibilidad de conjuntos de datos, cada vez más grandes, y de arquitectos de IA que puedan trabajar en una amplia gama de casos de uso. Esta es otra de las razones por las que es esencial contar con una plataforma unificada coherente.

El tamaño de los parámetros para los modelos ha aumentado de miles a cientos de miles de millones en tan solo una década, lo que supone un asombroso aumento exponencial de la cantidad. Entrenar un modelo con tantos parámetros requiere una cantidad de datos suficientemente grande y con control minucioso de estos. También es fundamental protegerse contra el sesgo de los datos, que podría afectar a los resultados. Esto se ha convertido en una crítica habitual a las implementaciones genéricas de IA entrenadas con conjuntos de datos públicos. Corregir este sesgo requiere una labor significativa, lo que supone que la formación de modelos requiere tiempo y dinero.

El equipo ejecutivo será el principal responsable de determinar la estrategia de inversión en aplicaciones empresariales basadas en IA. Deben considerar dónde se necesita la IA, enumerar los casos de uso, clasificar los niveles de riesgo y, a continuación, evaluar el grado de madurez de las soluciones de IA existentes para sus necesidades. Si están bien establecidas y son completas en funciones, puede que no sea necesario crear aplicaciones de IA internas a medida desde cero. En cualquier caso, recurrir a una plataforma flexible como AMD UIF y a bibliotecas optimizadas como AMD ZenDNN y el compilador ROCm HIP garantizan la agilidad, de modo que las ventajas de un código probado y comprobado pueden combinarse con la personalización específica de la empresa en la plataforma adecuada para ajustarse a los niveles de inversión.

La IA se encuentra todavía en esa fase de adopción temprana y ya ha pasado por múltiples generaciones con diferentes altibajos. Pero la IA actual promete ser el principio de un ciclo alimentado por modelos extremadamente grandes y grandes conjuntos de datos. Esta fase de «big data» para las soluciones basadas en IA, ya sean aplicaciones desarrolladas internamente o marcos de aplicación proporcionados por la industria, se encuentra ahora en una clara fase de crecimiento. Es un círculo virtuoso.

A medida que la adopción de la IA por parte de las organizaciones se traduzca en mejores aplicaciones, se desarrollarán mejores marcos de trabajo, lo que aumentará la eficiencia de los procesos empresariales. Estas mejoras y ventajas acelerarán aún más el desarrollo de aplicaciones, aumentando los beneficios y reduciendo el coste de adopción. En cuanto los beneficios superen a los costes para una organización, las aplicaciones basadas en IA deberían estar en la agenda de todos los CIO.

Autor: Matt Foley, director de Ingeniería de Aplicaciones de Campo en EMEA de AMD.