Acelera los Proyectos de IA con la Preparación de Datos
Las organizaciones que se embarcan en proyectos de IA no pueden esperar a largos proyectos de centralización de datos. Deben ser capaces de integrar datos de alta calidad, estén donde estén, lo más rápido posible para que sus herramientas de IA ofrezcan resultados contextuales y precisos aprovechando los conocimientos de los datos más recientes.
La extracción y copia de datos, anticuada y laboriosa, de múltiples fuentes a una ubicación central para ser ingeridos por herramientas de IA es innecesaria y supone un gasto considerable de recursos técnicos y financieros.
El auge de la repatriación de datos: traslado de la nube a local
Para muchas organizaciones, el movimiento de datos desde almacenamiento en la nube a sistemas locales ya está en marcha. A esto se le conoce como repatriación de datos. A medida que el volumen de datos que las organizaciones crean y transaccionan ha aumentado, también lo han hecho los costes asociados a la gestión de los datos. Incluso a unos pocos centavos por gigabyte, los costes se acumulan rápidamente.
Want more from The CTO Club?
Create a free account to finish this piece and join a community of CTOs and engineering leaders sharing real-world frameworks, tools, and insights for designing, deploying, and scaling AI-driven technology.
Have an account? Log In
Bill Burnham, CTO para el sector público de EE. UU. en Hewlett Packard Enterprise, señala que los costes pueden crecer “astronómicamente” a medida que las organizaciones pasan a procesar petabytes de datos. Traer los datos de vuelta a almacenamiento local, especialmente en aplicaciones de IA donde los nuevos datos refinan y actualizan los resultados, tiene sentido económico.
Desde una perspectiva operativa, lo ideal es situar los datos lo más cerca posible de donde se vayan a utilizar. Los sistemas en la nube ofrecen muchos beneficios, pero no resuelven todos los problemas. Cuando se entrenan modelos de IA, es fundamental que tengan acceso a los datos más actuales y precisos.
Protegiendo los datos y resultados de la IA
Investigaciones de Gartner sugieren que las malas configuraciones de los servicios en la nube representan un problema importante que puede provocar que datos sensibles sean ingeridos por modelos de IA no autorizados. Así como se advierte a los usuarios finales que las consultas enviadas a servicios públicos de IA generativa pueden ser utilizadas, este escenario se aplica a cualquier dato que quede expuesto.
Los sistemas locales no están exentos de violaciones de datos, pero el riesgo de que un modelo de IA no autorizado acceda a datos corporativos, provocando la filtración de propiedad intelectual, se puede mitigar.
Los resultados inexactos de los modelos de IA siguen siendo un problema importante. Ejemplos recientes, como la IA de Google sugiriendo a los cocineros usar pegamento para que el queso se quede en la pizza o comer una piedra al día como fuente de vitaminas y minerales, demuestran la importancia de que los LLMs se alimenten de datos apropiados y contextuales. Si utilizas tus propios datos y los haces disponibles de forma rápida y rentable, el riesgo de obtener resultados engañosos o erróneos se reduce.
El papel de los datos contextuales en la precisión de la IA
No se puede subestimar la importancia de la información contextual. Los mejores datos que tu organización puede utilizar para herramientas de IA son aquellos que se refieren específicamente a tus actividades.
Para las tiendas de ropa, los datos sobre la demografía a la que atienden son fundamentales. Un establecimiento de ropa que se centra en mujeres de 16 a 25 años necesita insumos diferentes a los de una tienda que vende trajes a hombres de 35 a 50 años.
Los modelos de IA que ingieren datos generales y no comprenden las necesidades específicas del negocio pueden producir resultados que lleven a malas decisiones. Aunque ejemplos como poner pegamento al queso de la pizza puedan resultar graciosos, un comprador de una cadena de comercios que ordena miles de prendas que nadie comprará puede ser costoso o incluso catastrófico.
Llevando tu IA a local
Colocar los datos lo más cerca posible de donde se utilizarán para la IA reduce la complejidad y los costes. Los proyectos de IA dependen en gran medida de los datos que se usan para entrenar el modelo. Disponer de datos de alta calidad y oportunos es más valioso que contratar más científicos de datos. Las organizaciones deben priorizar los datos que utilizan para sus modelos y asegurarse de que sean accesibles.
El enfoque típico para gestionar los datos en aplicaciones de IA se basa en copiar los datos desde la fuente para que puedan usarse para entrenar los modelos. Pero cuando los mejores datos están distribuidos en múltiples plataformas, como un CRM en la nube, una plataforma financiera local y herramientas de productividad online, puede ser un reto hacerlos accesibles. A menudo, el resultado es que se emplean los datos más fáciles de centralizar, dejando el resto para cuando el presupuesto y el tiempo lo permitan.
La pregunta que los equipos de IA deben hacerse es cómo pueden acceder a todos los datos que necesitan sin tener que esperar a costosos y lentos proyectos de repatriación de datos. Necesitan una forma sencilla de acceder a datos dispares en múltiples ubicaciones y poder redirigir las consultas que acceden a esos datos a medida que los datos se trasladan.
Las herramientas de preparación de datos pueden acondicionar los datos para la activación de la IA mientras minimizan las interrupciones durante la repatriación de datos. Aprovechando estos nuevos enfoques de vanguardia, los proyectos de IA pueden avanzar rápidamente sin esperar la migración de datos ni la necesidad de rediseñar significativamente los sistemas. Los datos de entrenamiento pueden ponerse a disposición de los modelos de IA y LLMs a medida que se crean casi en tiempo real.
Acelerando proyectos de IA con hubs de datos on-premise
El aumento de los costos, las preocupaciones sobre la fuga de propiedad intelectual y una mayor agilidad en el desarrollo de herramientas de IA están impulsando el cambio de plataformas en la nube a soluciones on-premise. La IA y los LLMs exigen acceso a datos de alta calidad, contextuales y oportunos para garantizar que ofrecen los mejores resultados a los usuarios.
Un hub de datos para IA que sea el único banco de trabajo y zona de gobernanza central para todos los proyectos de integración de datos e IA permite la aceleración de los proyectos de IA en paralelo con los proyectos de repatriación en la nube, de modo que las organizaciones pueden aprovechar rápidamente sus datos.
Al mismo tiempo, pueden seguir proporcionando a los usuarios del negocio mejores conocimientos de los clientes y analítica avanzada para aumentar los ingresos y superar a la competencia en un entorno empresarial sumamente competitivo.
Suscríbete al boletín de The CTO Club para más ideas y mejores prácticas sobre IA.
