Tendencias en datos empresariales e IA para 2025: Inteligencia, plataformas y perspectivas de futuro

Hacer predicciones, sobre todo en un campo tan cambiante como el de los datos y la IA, es notoriamente difícil. No obstante.Rajesh Parikh responder cantando Sanjeev MohanEl año pasado publicamos nuestro Previsiones de tendencias para 2024. Ahora que 2024 llega a su fin, nos complace confirmar que nuestras predicciones fueron acertadas. Este éxito es aún más notable si tenemos en cuenta el ritmo sin precedentes de la IA, un ritmo de cambio poco habitual en el sector de las TI.

En nuestras cuatro predicciones principales, destacamos el auge de las plataformas de datos inteligentes y las inteligencias de IA. Aunque estas tendencias son menos evidentes en 2023, el impulso de las inteligencias de IA es ahora innegable, lo que anuncia una mayor aceleración. la generalización de la IA y las inteligencias de IA continúa.

En cuanto a las plataformas de datos, estamos observando un fuerte cambio hacia plataformas inteligentes y unificadas, impulsado por la necesidad de simplificar la experiencia del usuario y acelerar el desarrollo de productos de datos e IA. Se espera que esta tendencia se intensifique a medida que más proveedores entren en el mercado y amplíen la gama de opciones disponibles para las empresas.

Expectativas para 2025

A medida que nos acercamos a 2025, el panorama de los datos empresariales y la IA experimentará una gran transformación, remodelando las industrias y redefiniendo la forma en que los seres humanos interactúan con la tecnología. En lugar de llamar a esto una predicción, queremos utilizar este documento para explorar estas tendencias transformadoras que creemos que requieren una gran atención por parte de los ejecutivos de las empresas y los directores de tecnología. Por tanto, los lectores deberían utilizarlo como guía para establecer prioridades y preparar a sus organizaciones para elegir la dirección correcta.

Sin más preámbulos, vamos a sumergirnos en las tendencias que creemos que probablemente dominarán el panorama de los datos empresariales y la IA. La figura 1 ilustra las tendencias clasificadas como IA aplicada, datos y operaciones, y programa lunar.

Figura 1: El panorama de los datos y la IA de 2025 se caracteriza por el auge de las inteligencias, la evolución de las plataformas de datos y la persecución de ambiciosos planes de alunizaje que tienen el potencial de transformar el mundo que nos rodea.

• IA aplicadaEstas tendencias tendrán un impacto significativo en la forma en que las organizaciones aprovechan los modelos de IA para la transformación, en particular en términos de cómo las inteligencias automatizan las tareas y funciones cotidianas. A medida que los modelos sigan avanzando en sus capacidades de razonamiento, estas inteligencias evolucionarán para gestionar tareas cada vez más complejas y colaborar sin problemas.
• Datos y tendencias de las plataformas:Los planos convergentes de datos y metadatos que soportan datos estructurados y no estructurados impulsarán la IA y servirán de base para las aplicaciones de la inteligencia y la IA. Una serie de tendencias clave están convergiendo para apoyar esta visión, incluidos los avances en la gestión de plataformas de datos y el desarrollo de middleware robusto para aplicaciones de cuerpos inteligentes.
• Programa de alunizaje:Estos ambiciosos intentos de alto riesgo amplían los límites de la tecnología actual y exploran áreas que hoy pueden parecer punteras. Aunque existe un alto riesgo de fracaso, los avances en estas áreas tienen el potencial de revolucionar la industria y redefinir la interacción persona-ordenador.

IA aplicada

2025IA aplicada Las tendencias se centran en las aplicaciones prácticas y la adopción generalizada de las inteligencias. Como se muestra en la Figura 2, hemos identificado cuatro subtemas clave que se espera que tengan el impacto más significativo en esta categoría.

Figura 2: Al igual que el aprendizaje automático, la democratización de la IA se logrará a través de un próspero ecosistema de inteligencias capaces de abordar diversas tareas y retos específicos de cada dominio.

A continuación, repasemos las tendencias de cada aplicación de IA/AI.

Los cuerpos inteligentes están por todas partes

En 2025, entraremos en la era de la inteligencia artificial corporal.

He aquí algunos extractos de las tendencias del año pasado sobre las inteligencias de IA y nuestros consejos para las empresas.

Consideramos que las inteligencias informadas por IA son una tendencia que puede tardar años en hacerse realidad; sin embargo, dadas sus promesas, esperamos que 2024 sea un año de avances significativos en la infraestructura/herramientas de las inteligencias, así como de adopción temprana. Cabe señalar que gran parte de nuestra comprensión del potencial de las actuales arquitecturas de IA para asumir tareas más complejas sigue siendo en gran medida potencial, y existen considerables cuestiones sin resolver.

Dicho esto, las organizaciones deben comprometerse a adoptar un enfoque pragmático a la hora de crear aplicaciones corporales inteligentes y, en cierta medida, esperar que la diferencia entre las tecnologías de IA actuales a la hora de asumir automatizaciones cada vez más complejas se reduzca año tras año. También debe considerar en qué medida puede realizarse la automatización caso por caso en los próximos 12 meses. La trayectoria/trayectoria evolutiva de estos proyectos puede resultar más fructífera en tales empeños.

En 2025, se espera que se acelere la adopción de inteligencias autónomas de IA en la empresa debido a la creciente necesidad de automatizar tareas repetitivas y mejorar la experiencia del cliente. Estas inteligencias aumentarán las capacidades humanas y nos permitirán centrarnos en trabajos creativos, estratégicos y complejos.

Amplían la automatización a tareas que exigen altos niveles de pensamiento, razonamiento y resolución de problemas, tareas que actualmente requieren una importante participación humana. Por ejemplo, las inteligencias pueden realizar estudios de mercado, analizar datos o responder a consultas de atención al cliente. También pueden automatizar flujos de trabajo complejos y de varios pasos que antes se consideraban impracticables por su complejidad, su coste o ambas cosas.

Una Inteligencia Artificial es un programa o sistema que percibe su entorno, razona, descompone una tarea determinada en una serie de pasos, toma decisiones y emprende acciones para completar de forma autónoma esas tareas concretas, igual que un trabajador humano.

Actualmente estamos asistiendo a la aparición de herramientas impulsadas por la IA, como los copilotos para desarrolladores que pueden utilizarse por unos 20 dólares al mes, y herramientas como el Devin Las inteligencias de nivel 2 son las que pueden realizar ciertas tareas de forma autónoma, pero siguen requiriendo una supervisión e intervención humanas significativas.

Sin embargo, en 2025, esperamos ver inteligencias más avanzadas con precios correspondientemente más altos para reflejar el valor que aportan. Por ejemplo, un cuerpo inteligente especializado que pueda superar a un vendedor junior en el desarrollo de la estrategia de marketing de entrada y salida de la parte superior del embudo de un departamento podría costar hasta 20.000 dólares.

sistema de inteligencia múltiple

Sistemas multiinteligencia (MAS) permite que varias inteligencias autónomas trabajen juntas, comunicándose y colaborando para resolver retos complejos que no pueden ser superados por una sola inteligencia. Esta especialización dentro del MAS permite a cada inteligencia centrarse en su área de especialización, aumentando así la eficiencia global del sistema, ya que las inteligencias aportan sus habilidades y conocimientos únicos para resolver problemas complejos. Estas inteligencias interactúan entre sí, a menudo utilizando diferentes modos y canales de comunicación, para alcanzar sus objetivos individuales o los objetivos generales del sistema.

La figura 3 ilustra cómo las inteligencias múltiples pueden colaborar para mejorar la generación de contenidos dentro de una organización.

Figura 3: Un sistema multiinteligencia formado por tres inteligencias que se centran en tareas de investigación, creación y distribución de contenidos, trabajando en colaboración para satisfacer las necesidades del departamento de marketing.

Los MAS pueden demostrar diferentes niveles de control y diferentes patrones arquitectónicos para la comunicación y la coordinación a través de patrones arquitectónicos comunes:

1. Equipos por capas:Este tipo de MAS suele utilizar un gestor central o un delegado de tareas para mediar en la comunicación. Las inteligencias de los trabajadores del sistema sólo se comunican a través de esta inteligencia central, lo que impide la comunicación directa entre inteligencias.
2. Paridad:En los MAS entre iguales, las inteligencias se comunican directamente entre sí sin depender de una agencia centralizada.
3. Colaboración en grupo:Este tipo de MAS es similar a los chats de grupo (por ejemplo, Slack, Microsoft Teams) en los que las inteligencias se suscriben a canales relevantes y se coordinan a través de una arquitectura de publicación-suscripción.

A diferencia de los sistemas de un solo cuerpo inteligente, en los que un cuerpo inteligente se encarga de múltiples funciones, los MAS permiten una especialización eficiente, lo que mejora el rendimiento de una amplia gama de aplicaciones.Los MAS son esenciales para ampliar la automatización de cuerpos inteligentes complejos; cargar demasiadas tareas en un solo cuerpo inteligente introduce complejidad y problemas de escalabilidad/fiabilidad.

Prevemos una tendencia de las empresas a desarrollar inteligencias más especializadas. Estas inteligencias deben operar en configuraciones de equipo, colaborando y coordinándose para permitir flujos de trabajo más amplios y complejos. En consecuencia, las MAS desempeñarán un papel clave en el éxito general de las iniciativas de automatización de flujos de trabajo basadas en la inteligencia.

Sistema inteligente de gestión de la carrocería (IBMS)

Un sistema de gestión de inteligencia (AMS) facilita el desarrollo, la evaluación, el despliegue y la supervisión posterior al despliegue de las inteligencias de IA. Al simplificar la creación y el perfeccionamiento de estas inteligencias, el AMS permite una iteración más rápida y simplifica la gestión del ciclo de vida. También garantiza que las inteligencias cumplan las expectativas mediante pruebas exhaustivas previas a la implantación y una supervisión continua de la producción.

La figura 4 muestra los componentes de una MGA representativa.

Figura 4: Componentes de un sistema inteligente de gestión de carrocerías (AMS) representativo

Una MGA representativa contiene los siguientes componentes:

1. Culturista inteligente:Los creadores de cuerpos inteligentes, a menudo denominados marcos de cuerpos inteligentes, ayudan a crear rápidamente nuevos cuerpos inteligentes y a mejorar iterativamente los existentes.
2. Registro del Cuerpo Inteligente:El Registro de Intelligentsia mantiene un catálogo de los Intelligentsia disponibles y facilita el control de acceso y la gobernanza, que abarca el control de versiones para garantizar un acceso adecuado al público destinatario.
3. Smart Body Playground:Parque infantil del cuerpo inteligente para accionamiento manual Probar el rendimiento de las inteligencias en una variedad de tareas y consultas de usuario proporciona una interfaz plug-and-play de fácil uso. Este entorno permite evaluar rápidamente el rendimiento de las inteligencias.
4. Experimentos corporales inteligentes:Soporte experimental Smart Body automatización Realizar una evaluación previa al despliegue de las inteligencias. Este enfoque estructurado evalúa el rendimiento de las inteligencias definiendo el conjunto de datos, seleccionando las métricas adecuadas, configurando el entorno, analizando los resultados y generando un informe de evaluación. A menudo también se dispone de registros de experimentos realizados con anterioridad.
5. Despliegue y supervisión:El despliegue de un organismo inteligente implica configurar los recursos necesarios para el organismo inteligente en un entorno de ensayo o producción, al tiempo que se realiza un seguimiento de las métricas de tiempo de ejecución pertinentes. Esto garantiza la fiabilidad y eficacia de las inteligencias.
6. Chat UI:El Chat UI proporciona la interfaz de usuario necesaria para interactuar con las inteligencias desplegadas en un entorno de producción.

Anticipamos que las organizaciones desplegarán un gran número de inteligencias creadas a propósito para abordar una amplia gama de tareas específicas de cada dominio. AMS desempeñará un papel clave a la hora de ayudar a las organizaciones a crear, desplegar y gestionar estas inteligencias a lo largo de todo el ciclo de vida, lo que conducirá a la empresa inteligente habilitada para el cuerpo.

modelo de tarea específica

(adelante, hazlo) sin dudarlo Antrópico Claude, la familia GPT de OpenAI, Google Géminis y modelos líderes como Nova de AWS dominen en 2024, pero hay algunas tendencias dignas de mención en el desarrollo de modelos específicos de tareas y dominios que son particularmente relevantes para los casos de uso empresarial.

La figura 5 ilustra las etapas de este proceso de creación de modelos. Este proceso suele denominarse alineación posterior a la formación.

Figura 5: Técnicas utilizadas para crear el modelo de dominio

1. Ajuste fino supervisado

El ajuste fino supervisado (SFT) consiste en entrenar un modelo base (normalmente un modelo base preentrenado o una variante ajustada por comandos) utilizando un conjunto de datos de preferencias. En el cadena de pensamiento (CoT), cada registro de este conjunto de datos suele contener un triple (solicitud, CoT, resultado) en el que el CoT hace referencia explícita a la especificación de seguridad pertinente.

El proceso de perfeccionamiento contextual crea un conjunto de datos, partiendo de un modelo entrenado sólo para la utilidad e incitándolo con una especificación de seguridad y pistas relevantes. El resultado de este proceso es Modelo SFT.

2. Perfeccionamiento del aprendizaje

La segunda fase utiliza el aprendizaje por refuerzo (RL) de alta computación. Esta fase utiliza el LLM de juicio para recompensar las señales basadas en la adhesión del modelo a la especificación de seguridad, mejorando así aún más la capacidad del modelo para razonar con seguridad. Y lo que es más importante, todo el proceso requiere una intervención humana mínima más allá de la creación de la especificación inicial y la evaluación de alto nivel.

El razonamiento CoT permite al LLM expresar explícitamente su proceso de razonamiento, haciendo sus decisiones más transparentes e interpretables. En la alineación de la fase RL, el CoT incluye referencias a la especificación de seguridad que describen cómo ha llegado el modelo a su respuesta. Esto permite al modelo considerar cuidadosamente las cuestiones relacionadas con la seguridad antes de generar una respuesta. La inclusión de la CoT en los datos de entrenamiento permite al modelo aprender a utilizar esta forma de razonamiento para obtener una respuesta más segura, mejorando así la seguridad y la interpretabilidad. El resultado de esta fase suele denominarse "Modelos de razonamiento"

3. Ajuste continuo

El ajuste continuo permite a los ingenieros de IA y a los científicos de datos adaptar los modelos a casos de uso específicos. Los ingenieros de aprendizaje profundo y los científicos de datos ahora pueden ajustar modelos de vanguardia y de código abierto utilizando entre 10 y 1000 ejemplos, lo que mejora significativamente la calidad del modelo para aplicaciones específicas. Esto es fundamental para las organizaciones que buscan mejorar la fiabilidad de sus modelos para casos de uso específicos sin tener que invertir en una amplia infraestructura de postentrenamiento.

La mayoría de los modelos más avanzados ofrecen ahora API de ajuste fino continuo para el ajuste de preferencias y el ajuste fino del aprendizaje por refuerzo (RLFT), lo que reduce el umbral para crear modelos específicos de tareas o dominios.

La salida de esta etapa puede denominarse "Modelización de tareas o dominios específicos"..

Los marcos de ajuste de código abierto (por ejemplo, Hugging Face Transformers Reinforcement Learning (TRL), Unsloth, etc.) ofrecen capacidades similares de ajuste continuo para modelos OSS. Por ejemplo, los primeros usuarios del modelo Llama lo han ajustado más de 85.000 veces desde su lanzamiento.

A medida que seguimos desplegando la adopción de la IA en la empresa, observamos dos tendencias distintas:

1. Las organizaciones con importantes recursos de capital (que denominamos "Fronteras") pueden adoptar una estrategia de postentrenamiento de modelos de código abierto, personalizándolos ampliamente para dominios y casos de uso específicos mediante una puesta a punto continua.
2. Para los que tienen un presupuesto limitado pero se centran mucho en casos de uso fiablesAspirantes a empresariosUna estrategia rentable consiste en elegir LLM estándar y dar prioridad a la alineación de tareas específicas mediante un ajuste continuo.

Tendencias en datos y operaciones y mantenimiento

Los datos son fundamentales para implantar con éxito la IA y requieren mejores prácticas de gestión de datos. La figura 6 ilustra las tendencias clave en materia de datos y O&M para 2025.

Figura 6: Datos clave y tendencias de O&M

Analicemos cada tendencia.

Plataforma de datos inteligente

Para acelerar la innovación en datos e IA y reducir la sobrecarga operativa, proponemos una Plataforma Inteligente de Datos e IA (IDP) unificada en 2024. Este esfuerzo de unificación y simplificación ha ganado una tracción significativa entre los principales proveedores de software, dando lugar a la arquitectura que se muestra en la Figura 7.

Figura 7: Arquitectura de la plataforma de datos inteligentes

IDP agiliza la integración del ciclo de vida de los datos (almacenamiento, procesamiento, análisis y aprendizaje automático), reduciendo así la necesidad de herramientas y mano de obra fragmentadas. También proporciona un marco centralizado para la estrategia y ejecución de la gobernanza de datos.

Aunque las principales ofertas de empresas tecnológicas consolidadas y de nuevas empresas siguen mejorando la funcionalidad en 2024, la adopción generalizada de plataformas de datos y de IA para inteligencias de IA sigue siendo un trabajo en curso.

En 2025, los proveedores de plataformas de datos seguirán integrando sus servicios para crear una base fundamental para las inteligencias de IA y los sistemas multiinteligencia, proporcionando a estas aplicaciones la información que necesitan para operar y tomar decisiones. Estas plataformas extraen tres funciones clave:

1. Armonización de los planos de datos:El Plano Unificado de Datos admite la carga, el almacenamiento, la gestión y la gobernanza de diversos formatos de datos, como texto (por ejemplo, PDF), imágenes (por ejemplo, PNG, JPEG) y audio/vídeo (por ejemplo, MP3). Una subtendencia clave en este Plano Unificado de Datos es la adopción de formatos abiertos de tablas como Apache Iceberg, Delta Lake y Apache Hudi.
2. Plano de metadatos unificado:Los metadatos proporcionan a las aplicaciones de IA información contextual básica sobre los datos que procesan. Por ejemplo, si los datos contienen un documento de política de RRHH, los metadatos relevantes podrían incluir el número de versión del documento, la fecha de la última revisión y el autor. Sin metadatos ricos que proporcionen estos matices, será difícil que las inteligencias establezcan un contexto suficiente y proporcionen la funcionalidad prevista.
3. Orquestador multimotor:IDP también proporciona una capa de orquestación extensible diseñada para gestionar y orquestar varios motores informáticos, incluidos los utilizados para el procesamiento analítico, la transformación de datos y la ejecución de modelos de IA.
4. Plano de gobernanza: IDP también actúa como middleware de control de acceso, gobernanza y personalización, lo que permite a las inteligencias comprender mejor las funciones de los usuarios (incluidas las funciones, el acceso a los datos y el historial de consultas) y personalizar las respuestas.

ETL para IA

ETL (Extraer, Transformar y Cargar) es un proceso clave de integración de datos utilizado para preparar datos sin procesar para modelos de IA y aprendizaje automático. El proceso consiste en extraer datos de diversas fuentes, transformarlos mediante limpieza y formateo y, a continuación, cargarlos en un sistema de gestión o almacenamiento de datos, como un IDP, un almacén de datos o un almacén vectorial, como se ha descrito anteriormente.

Aunque las organizaciones ya están familiarizadas con el ETL para datos estructurados (extracción, transformación y carga de datos de bases de datos operativas en almacenes o lagos de datos), el ETL para IA amplía este proceso para abarcar una amplia gama de formatos de datos, incluidos texto (.pdf, .md, .docx), audio/vídeo (mp3, mpeg) e imágenes (jpeg, png).

Estas fuentes de datos no estructurados pueden incluir una variedad de repositorios de contenido, aplicaciones y recursos web utilizados por la empresa. De hecho, el propio proceso ETL puede aprovechar la IA para tareas de extracción, como la extracción de entidades (imágenes, tablas y entidades con nombre) de archivos PDF utilizando modelos multimodales de lenguaje amplio (LLM) o modelos de reconocimiento óptico de caracteres (OCR).

ETL para datos no estructurados Soporte para varios casos de uso posteriores:

• Información basada en IA:Buscar generación mejorada (RAG) permite a las aplicaciones facilitar la interacción del usuario con los documentos, extraer resúmenes clave y dar soporte a casos de uso similares. La extracción y transformación de datos de fuentes tan diversas como SharePoint, Dropbox, Notion y diversos repositorios y aplicaciones en la nube será un factor clave para la obtención de conocimientos basados en IA. Prevemos que los proveedores seguirán extrayendo RAG e integrándolos como una función de fácil acceso en plataformas unificadas de datos, análisis e IA.
• Búsqueda AIMejora de la accesibilidad y la inteligencia de los contenidos empresariales en comparación con las búsquedas tradicionales por palabras clave.
• Automatización basada en IA: Proporcionar la capa de conocimiento necesaria a partir de datos no estructurados para proporcionar información contextual básica a las inteligencias.
• Alineación posterior a la formación y ajuste continuoFacilitar la disponibilidad de datos nuevos y actualizados para permitir una personalización continua y sin fisuras de los modelos para diversos casos de uso departamental.

Preparación de datos para la IA

La preparación de los datos es fundamental para implantar con éxito modelos de tareas específicas e inteligencias de IA.

Esta es la clave del éxito de estos programas".condición previa".

Para que los datos estén disponibles para la IA, es necesario prepararlos exhaustivamente en múltiples dimensiones. Aunque la IA puede consumir casi todos los datos disponibles de una organización, el enfoque correcto es derivar los requisitos de preparación de datos de los casos de uso prioritarios.

La figura 8 ilustra algunas de las dimensiones clave de la preparación de datos para la IA

Figura 8: Preparación de datos para la IA

Calidad y observabilidad de los datos

¿Estos datos superan los indicadores de calidad establecidos? Esto podría significar una o más de las siguientes cosas:

1. confíe en
2. frescura
3. corrección
4. Integridad de los metadatos
5. descensos
6. Legalidad/desviación
7. pertinencia
8. versionado

¿Cómo se gestionan, controlan y presentan en tiempo real las métricas anteriores?

1. Datos de observabilidad
2. Linaje de datos
3. historial de revisiones (de un documento, página web, etc.)

Productos de datos para la IA

Los productos de datos son fundamentales para el éxito de los modelos de tareas específicas, la evaluación comparativa y las pruebas de los modelos de IA y las aplicaciones de inteligencia. Algunos productos de datos de IA importantes son:

1. Conjuntos de datos disponibles para la formaciónLos datos etiquetados se convierten en un valioso producto de datos que puede utilizarse inmediatamente para el entrenamiento de la IA.

2. Conjunto de datos de cadenas (CoT):A diferencia de los conjuntos de datos tradicionales, que suelen proporcionar entradas y salidas para el entrenamiento, los conjuntos de datos CoT también incluyen pasos intermedios de inferencia que explican cómo se obtuvieron las respuestas. Este enfoque paso a paso del razonamiento está estrechamente relacionado con la forma en que los seres humanos resuelven problemas complejos, lo que hace que los conjuntos de datos CoT sean valiosos para entrenar modelos de IA que realicen tareas que requieren razonamiento lógico, planificación e interpretabilidad.

3. Conjunto de datos depurado:Proporciona un subconjunto representativo más pequeño del conjunto de datos que capta la diversidad y variabilidad del conjunto de datos completo. A continuación se ofrecen algunos ejemplos de conjuntos de datos destilados:

a. Un subconjunto de opiniones de clientes con diferentes niveles de sentimiento y categorías de productos.

b. Conjuntos de datos de alta calidad sobre tareas específicas creados para entrenar modelos más pequeños (modelos de alumnos) con el fin de imitar el rendimiento de modelos más grandes y complejos (modelos de profesores).

c. Un subconjunto de la documentación técnica perfeccionada para afinar el modelo de preguntas y respuestas técnicas.

4. Conjuntos de datos sintéticos:Datos refinados utilizados para generar conjuntos de datos sintéticos que imitan los atributos principales del conjunto de datos original. Suelen utilizarse para aumentar los conjuntos de datos reales cuando los datos son escasos o desequilibrados. Al generar variantes, los modelos pueden entrenarse en conjuntos de datos más diversos.

5. Conjuntos de datos de cartografía del conocimiento:Los productos de datos basados en GraphRAG aprovechan las capacidades de recuperación y generación de datos basados en gráficos. Por ejemplo, los conjuntos de datos de grafos de conocimiento sanitario que conectan terminología médica, diagnóstico, tratamiento y resultados de los pacientes pueden utilizarse para ofrecer asesoramiento médico personalizado, sugerir posibles opciones de tratamiento y ayudar a los médicos a tomar decisiones basadas en datos.

6. Datos del usuario:Los datos del usuario son fundamentales para crear aplicaciones de IA más inteligentes y personalizadas. Estos datos suelen incluir cualquier información sobre la función del usuario y las interacciones o entradas del usuario que la inteligencia o aplicación de IA utiliza para comprender la función del usuario (que la inteligencia puede utilizar para proporcionar salidas o respuestas significativas). He aquí algunos ejemplos de datos de usuario:

a. Las inteligencias de los analistas de datos con funciones de usuario e información sobre el historial de interacción del usuario con el conjunto de datos/consulta/cuadro de mando pueden personalizar las respuestas a las consultas filtrando y seleccionando el historial de acceso al conjunto de datos y las ejecuciones de consulta adecuadas.

b. Las inteligencias de soporte al cliente que comprenden el estado de cliente de un usuario (por ejemplo, Premium o Normal) y la naturaleza de las solicitudes de soporte anteriores pueden utilizar órdenes de trabajo, problemas y soluciones anteriores para priorizar las respuestas, ofrecer soluciones más rápidas o recomendar artículos específicos de la base de conocimientos.

c. Al analizar el historial de comunicación y los patrones de interacción con clientes y clientes potenciales, las inteligencias de ventas pueden personalizar las estrategias de seguimiento, recomendar productos o servicios específicos y dar prioridad a los clientes potenciales en función de su comportamiento histórico.

plan para ir a la luna

Los programas de alunizaje son intentos ambiciosos y exploratorios de resolver grandes retos mediante soluciones innovadoras. Estos proyectos suelen superar los límites de la tecnología actual y se sitúan en la vanguardia de la innovación. Aunque conllevan un alto riesgo de fracaso, su potencial de transformación es enorme.

Aunque esta sección es un espacio para la exploración creativa, nos gustaría explorar los conceptos más especulativos destacados en la Figura 9.

Figura 9: Programa de alunizaje

agente cognitivo

Las inteligencias cognitivas aprenden de sus experiencias de forma extrema y continua, y se adaptan y mejoran. La figura 10 muestra las características que definen las inteligencias cognitivas.

Figura 10: Cinco características clave de las inteligencias cognitivas: aprendizaje, memoria, autoconciencia, superación y autoescalada

Además de las capacidades genéricas de las inteligencias AI, las inteligencias cognitivas suelen tener otras capacidades:

1. Conservación de la memoria

La mayor capacidad de retención de la memoria es una de las características clave de las inteligencias cognitivas. La capacidad de retención de la memoria permite a las inteligencias recordar conversaciones anteriores, a menudo recordando acontecimientos específicos, incluyendo cuándo y dónde ocurrieron, y a menudo aprendiendo de ellos.

Así, las inteligencias cognitivas tienen arquitecturas de memoria complejas que incluyen el almacenamiento a largo plazo para la retención y formas específicas de memoria (por ejemplo, la memoria situacional), que permiten a las inteligencias recordar y rememorar acontecimientos específicos en el tiempo, incluyendo cuándo y dónde ocurrieron.

Un ejemplo de uso de la memoria situacional podría ser recordar los pasos dados para completar con éxito una tarea en un evento anterior. Si el cuerpo inteligente se enfrenta de nuevo a la misma tarea, puede recordar los pasos exactos seguidos en el caso anterior y realizarla esta vez con mayor eficacia.

2. Aprender de las interacciones pasadas

Estas inteligencias aprenden de interacciones pasadas y utilizan ese aprendizaje para tomar mejores decisiones en el futuro.

3. Autoconciencia

Estas inteligencias también pueden ser conscientes de sus propios detalles constructivos y funciones.

Pueden aprender potencialmente de las interacciones de los usuarios y actualizar su base de conocimientos para obtener nuevos contenidos de aprendizaje.

4. Autocuración

La autorreparación permite a la Inteligencia ampliar su funcionalidad añadiendo nuevas funciones, como herramientas para crear conjuntos de datos preferentes a partir de interacciones recientes y activar el siguiente trabajo de ajuste. También puede seguir evaluando nuevos modelos y registrar nuevas revisiones de modelos en el registro de modelos, así como generar informes detallados de modelos para que los revisen los ingenieros de IA.

5. Autoescalada

(Opcional) Intelligentsia puede autoactualizarse a la nueva revisión del modelo creada anteriormente.

inteligencia corporal

Las inteligencias encarnadas son tipos de inteligencias de IA que tienen una presencia física (por ejemplo, los robots). Esta "personificación" es fundamental porque permite a la inteligencia percibir y actuar en el mundo físico como lo haría un ser humano, lo que le permite aprender y realizar tareas que requieren que la inteligencia desarrolle una comprensión profunda del espacio físico y realice las tareas asignadas. Se espera que la IA generativa revolucione la robótica yendo más allá de la programación tradicional basada en reglas para operar en entornos más complejos y dinámicos.

La figura 11 muestra cómo las organizaciones pueden utilizar estas nuevas inteligencias para diversas aplicaciones.

Figura 11: Ejemplo de empresa que utiliza inteligencias integradas.

Veamos cómo utilizan los bancos las inteligencias incorporadas. Las inteligencias personificadas de atención al cliente en sus sucursales pueden iniciar la primera interacción con un cliente que entra, ofrecer asesoramiento financiero personalizado y ayudar a procesar las transacciones.

En el comercio minorista, las inteligencias incorporadas pueden adoptar la forma de asistentes de compras en la tienda que proporcionan información sobre los productos y orientan a los clientes. En la industria manufacturera, estas inteligencias pueden encargarse de tareas que requieren movilidad y destreza y que son peligrosas para la seguridad humana.

redes inteligentes

La comunicación eficaz entre varias inteligencias artificiales para alcanzar objetivos comunes o resolver problemas complejos se ve obstaculizada actualmente por la falta de formatos de mensaje, protocolos y mecanismos de resolución de conflictos normalizados. Los futuros enfoques de interconexión deben ser escalables, de baja latencia y seguros, para generar confianza entre las inteligencias y proteger las redes de comunicación de ataques malintencionados.

Esto nos lleva a la última tendencia prevista en relación con la mejora de las redes corporales inteligentes.

Unas redes de inteligencias eficaces pueden revolucionar la forma en que las inteligencias se comunican, colaboran, coordinan, realizan su trabajo y aprenden, tanto dentro como fuera de la empresa. Esta tendencia es similar a la de los primeros días de Internet y la normalización de los protocolos de Internet, así como a la evolución de las comunidades y foros en la era de la web 2.0. Estas tendencias han mejorado significativamente la colaboración entre las personas más allá de las fronteras físicas.

La figura 12 muestra cuatro opciones para construir una red eficaz de inteligencias.

Figura 12: Ejemplos de posibles normas para redes corporales inteligentes

Los beneficios de todas las tendencias del programa de alunizaje son enormes. Las inteligencias cognitivas pueden aprender a través de estas interacciones analizando los datos intercambiados, actualizando su propia base de conocimientos, analizando los datos intercambiados, mejorando la comunicación de tipo humano y acelerando la innovación dentro de los límites de la empresa.

llegar a un veredicto

En resumen, la tendencia IA Aplicada es la que está acelerando la adopción significativa de inteligencias y aplicaciones de IA en la empresa, mientras que las tendencias Datos y Operaciones proporcionan una base sólida para apoyar y acelerar estas aplicaciones de inteligencias. Además, el programa Alunizaje abarca temas que hoy pueden parecer radicales, pero que podrían tener un próximo impacto transformador.

Como es habitual, el objetivo de esta investigación es centrarse en las soluciones tecnológicas más que en las repercusiones organizativas. Naturalmente, las inteligencias autónomas suscitan preocupación por la pérdida de puestos de trabajo, ya que se espera que las inteligencias de IA se hagan cargo de tareas repetitivas. Las organizaciones tienen que redescubrir la sinergia/coordinación entre las personas y las inteligencias de IA mediante una redefinición crítica de las funciones laborales y la creación de otras nuevas en torno a la creación, gestión y colaboración con la IA. Por lo tanto, esta transformación crea otra tarea importante, ya que la mayoría de las organizaciones tendrán que mejorar y reciclar su mano de obra de forma crítica junto con la transformación de la IA.

Por último, cualquier avance en la arquitectura del modelo LLM, soluciones que puedan introducir la inyección adaptativa de conocimiento de forma rentable o mejoras significativas en las capacidades de comprensión y razonamiento tienen el potencial de influir aún más en la realidad potencial de las aplicaciones de IA.