La estructuración y el alivio de la información constituye la base esencial para explotar la IA generativa. Sin gobernanza o trazabilidad, el despliegue sigue siendo limitado.
El potencial de la IA generativa para transformar las empresas y sus datos ya no se debate hoy. Sin embargo, cuando se trata de citar ejemplos concretos de implementación a gran escala, el silencio da paso a las preocupaciones: confiabilidad y disponibilidad de datos, cumplimiento regulatorio o incluso desconfianza de la IA y los datos subyacentes.
En ciertos sectores, los datos a menudo se dan en formatos abreviados, técnicos o no legibles, lo que complica su explotación por los sistemas de IA convencionales. Aquí es donde la IA generativa puede desempeñar un papel clave: cuando está debidamente entrenado y guiado, es capaz de interpretar estas descripciones complejas y restaurarlas en un formato comprensible y estructurado, listo para ser utilizado en modelos predictivos.
Sin embargo, esta capacidad sigue siendo perfecta. Tan pronto como los datos incluyen términos ambiguos o abandonen el contexto de capacitación, pueden ocurrir errores de interpretación. Esta es la razón por la cual la intervención de la IA debe ir acompañada de mecanismos de verificación o verificación cruzada, por ejemplo, con fuentes externas o estándares comerciales, para garantizar la confiabilidad de la información devuelta.
La traducción y la estructuración de datos constituye un requisito previo esencial para la IA.
A escala de una empresa, explotar el patrimonio existente de la inteligencia empresarial (BI) ofrece una palanca preciosa. Por ejemplo, una fórmula BI definida como «Ingreso = Monto facturado – Valor de los rendimientos» puede servir como un punto de referencia confiable para un agente de IA que busca extraer datos de facturación. Esto evita cualquier ambigüedad entre las diferentes fuentes posibles, ventas, comercio electrónico, posventa, etc.
Los puntos de referencia de BI actúan aquí como una capa de datos estructurada, confiable y reutilizable para los indicadores clave de la Compañía. Esta capa facilita y acelera la movilización de datos por sistemas AI.
Revalurate La BI existente permite estructurar los datos necesarios para la IA más rápidamente.
Otro punto esencial en un entorno controlado por los agentes: control del acceso a los datos. Es esencial mantener una «firma de comando», es decir, una clara trazabilidad del origen de las solicitudes en toda la cadena.
Tome un caso concreto: los directores de sucursales no deben tener acceso a datos confidenciales relacionados con transacciones inmobiliarias, mientras que los gerentes de compra, deben acceder a él. Los asistentes de IA destinados a estos dos perfiles deben integrar estas distinciones. En un sistema complejo que involucra a varios agentes, esta fidelidad se basa en una rigurosa trazabilidad de cada solicitud.
No siempre es fácil. Por ejemplo, los precios aplicados en ciertas ofertas para un producto A no deben ser visibles por el gerente de producto B. Pero, en una lógica de eficiencia, el asistente de IA aún puede proporcionarle una sugerencia: «Para el producto B, un rango de precios ideal estaría entre 55 y 60 dólares; los productos de la competencia han tenido éxito con aumentos del 10 al 20 %».
Esto implica que la firma de control no se limita al origen, pero también incluye la intención de la solicitud.
La buena gestión de los derechos de acceso constituye un paso clave antes de cualquier dato disponible para una IA.
La traducción, la estructuración y la gestión de acceso son pasos fundamentales para tener éxito en un proyecto de IA. Para liberar completamente el potencial de la IA generativa, primero es necesario proporcionar los esfuerzos necesarios para que los datos estén listos para la IA y, sobre todo, listo para la empresa.
____________________________
Par Subhashis nathAVP y Jefe de Análisis, Infosys
Leer también:
El papel de la multicloud híbrida en la transformación digital e innovación
Cloud, tecnología de corte en constante evolución …
AI generativa: ¿A la vanguardia de la innovación en el análisis de datos?
AI generativa al servicio de sus datos: Guía práctica
[
