En muchos sentidos, parece que con la IA en los negocios, el cielo es el límite. La tecnología de consumo y la tecnología empresarial son torres altas que se mejoran continuamente, hasta el punto de encontrarse a medio camino. Pero persisten los desafíos. Estos son algunos de los problemas habituales que enfrentan los equipos de liderazgo al desarrollar aplicaciones innovadoras de IA.
Innovación rápida y la barra de calidad
Un principio del desarrollo de IA nos recuerda aquel viejo dicho de que completar un proyecto suele ser “más fácil decirlo que hacerlo”. O quizás sería mejor cambiarlo ligeramente a: “es más fácil hacerlo que refinarlo”.
La idea es que con la democratización del código y todas estas otras tendencias, una persona no técnica puede crear una aplicación rápidamente, tal vez incluso en minutos.
Pero dar soporte a esa aplicación, asegurándose de que esté libre de errores y funcione según lo previsto, es mucho más difícil. Ahí es donde nos topamos con esta «frontera irregular» de las capacidades de la IA. Puede crear cosas, pero no siempre puede probarlas tan bien.
Cuanto más alto sea el nivel de calidad, más difícil será apoyar y mantener un proyecto que puede haberse iniciado con mucha facilidad (ver la cita cerca del final de esta publicación).
La iteración elimina el número de usuarios
El segundo desafío, común en las aplicaciones gamificadas y de aprendizaje, también se puede resumir con un viejo dicho, esta vez en forma de pregunta: ¿Qué has hecho por mí últimamente? O podríamos decirlo de otra manera: que los usuarios tienden a ser volubles y exigentes a largo plazo.
He aquí un ejemplo de cómo este concepto podría perjudicar a una aplicación: supongamos que la primera iteración del proyecto es sencillamente sorprendente para una gran base de usuarios y muchas personas se suman queriendo usar esta información para su beneficio.
Sin embargo, al utilizar versiones sucesivas del software, descubren que tiene errores o fallas, o que no funciona como se pretende o como se anuncia.
Esto podría ocurrir en la fase beta, o incluso más adelante. De nuevo, podría estar relacionado con el rápido desarrollo y la falta de soporte general. Se trata de la idea de que una premisa central para la IA puede ser increíble, pero a menos que esté bien diseñada, podría no ofrecer lo que los usuarios desean, y por eso, con el tiempo, terminan abandonando el proyecto.
La pesadilla de los costos de los proveedores
Si alguna vez ha escuchado a una empresa decir que sus «facturas de IA son altas», se trata de una empresa que intenta ofrecer un envoltorio o un servicio de terceros basado en los modelos de otra persona.
Eso significa que tienen que comprar funciones de IA para ejecutar su plataforma y pueden terminar pagando más de lo que desean.
Al final, esto es solo el costo de hacer negocios, pero puede ser un problema para un equipo de desarrollo si no tienen sus propios sistemas internos o no pueden trabajar con los umbrales de los proveedores.
Creación, características e incorporación sin código
Nuevamente, puedes construir algo fácilmente, pero es posible que no tenga todas las características o funcionalidades que necesitas.
Asume el rol de la incorporación. Supongamos que el software usa IA para generar excelentes resultados para los usuarios, pero es tan difícil iniciar sesión que los usuarios, una vez más, salen corriendo.
Más sobre proyectos de IA para el aprendizaje y los juegos
Un segmento reciente de Imaginación en Acción en Stanford abordó algunos de estos temas, donde líderes de empresas de idiomas y aprendizaje hablaron sobre algunas de sus experiencias.
Bing Gordon, de Kleiner Perkins, entrevistó a Natalie Glance, de Duolingo, y a Kylan Gibbs, de Inworld.ai, sobre «Creación de Experiencias Inteligentes». Ambos abordaron los desafíos mencionados, que destacaré con algunas citas. También hablaron sobre objetivos como el desarrollo del talento.
“Tenemos un sistema de adquisición de talento y de incorporación que lleva años funcionando, y funciona de maravilla”, dijo Glance. “Funciona de maravilla. Publicamos nuestra oferta de empleo y recibimos miles de solicitantes en cuestión de días. Así, seleccionamos a los mejores y más brillantes de Estados Unidos y del mundo, y eso es fantástico”.
Ella detalló un poco este proceso, describiendo un círculo virtuoso en el que los usuarios se involucran en el negocio.
“Contamos con personas realmente buenas, que están entusiasmadas por trabajar en Duolingo”, añadió. “Quizás lo hayan usado desde la secundaria. Y, de hecho, empezamos con ellos cuando aún están en la universidad. Así que suelen venir, ya sea en penúltimo o último año. Tenemos un programa de prácticas. Así, aprenden en el trabajo y también demuestran su valía”.
Innovando con PNJ
“Básicamente, creamos herramientas de interacción en vivo para crear personajes para juegos, PNJ, aplicaciones de aprendizaje y cosas así”, dijo Gibbs. “Gran parte de lo que hicimos fue crear la estructura de indicaciones en torno a eso, para poder tener estas interacciones en tiempo real y definir la personalidad. Y luego, lo que sucedió con ChatGPT, creo, es que la gente decidió, o nosotros decidimos canónicamente, que el formato al que todos estamos acostumbrados… es algo así como un personaje, algo así como una interfaz de voz o texto, o hablar con un humano”.
Eso, dijo, produjo una respuesta deliberada en su empresa.
“Simplemente bajamos un poco más en la pila”, dijo. “Nos centramos más en los modelos de texto a voz, los modelos de reconocimiento de lenguaje, así como en aspectos como el conocimiento. Y luego descubrimos que, inicialmente, la forma en que lo construimos era una especie de caja única donde todos pueden construir un personaje de la misma manera, pero (los diferentes personajes) en realidad tienen arquitecturas completamente diferentes. Y… como tienen arquitecturas claramente completas, tuvimos que abrir nuestro trabajo. Y ahí es básicamente donde nos llevó nuestro viaje: bajar un poco más en la pila y luego abrirla”.
Uso de una base de conocimientos
Glance y Gibbs también hablaron sobre el uso de la memoria, que Gibbs caracterizó como una “base de conocimiento”.
“Entonces, decidirás cómo usarlas eficazmente durante la conversación”, dijo Gibbs. “¿De verdad las voy a mencionar constantemente? Si hablas con alguien y recuerda cada cosa que dijiste, será muy extraño, sobre todo si te lo repite. Así que creo que no se trata solo de cómo almacenas ese recuerdo, sino también de cómo lo procesas, y también de una cuestión de clasificación conceptual. Cuando tienes un recuerdo, no es necesariamente una simple lista de recuerdos. Existen estos espacios conceptuales de recuerdos”.
Más citas del panel
La mayoría de la gente con la que hablas, incluyendo algunos altos ejecutivos, te dice: «Bueno, construí esto en un fin de semana y es genial. ¿Por qué demonios mi equipo tarda seis meses en entregarlo?» Kylan Gibbs, sobre los ciclos de desarrollo
Nuestra principal prioridad es crear una función realmente buena. Eso es lo primero, y luego nos importa la duración del producto en segundo lugar, y solo en tercer lugar el costo. Dicho esto, seguimos preocupándonos por el costo, porque es una factura muy elevada. Una cosa es: podemos esperar, ¿no? Podemos esperar a que OpenAI reduzca los costos, y eso ha sido una parte importante. De hecho, hemos aprendido cosas interesantes sobre el ajuste de costos. Hemos estado trabajando en ello, pero resulta que el ajuste es bastante frágil. Así que, incluso si podemos, en un momento dado, ajustar la función para reducir los costos cinco veces, la modificamos ligeramente. Natalie Glance, sobre trabajar con costos
“Cada uno tiene su propio mundo que codifica”. –Kylan Gibbs, sobre la democratización de la codificación.
