Presentado por Capital One
No es difícil para las empresas experimentar con la IA; luchan para que funcione en el mundo real. Pasar de prototipos prometedores a sistemas confiables a escala de producción es donde fracasan la mayoría de los esfuerzos.
En mi puesto en la organización AI Foundations de Capital One, he visto de primera mano que la implementación exitosa de la IA no se trata solo de adoptar los últimos modelos o herramientas. Esto requiere un enfoque disciplinado de I+D que conecte la investigación básica con los sistemas del mundo real y potencie las ideas a medida que pasan del concepto a la producción.
Es más difícil de lo que parece. Las capacidades de la IA están evolucionando rápidamente, pero los entornos empresariales pueden ser complejos, fragmentados y sensibles a los riesgos. La pregunta no es sólo qué es posible, sino también qué funciona realmente (para un flujo de trabajo, usuario o decisión específicos) con la tecnología y las limitaciones actuales.
Lo siguiente refleja cómo las organizaciones pueden convertir sus ambiciones de IA en realidad productiva a través de un enfoque más deliberado de investigación, evaluación e implementación.
Conectando la investigación fundamental y aplicada
Para ofrecer una IA impactante es necesario cerrar la brecha entre la investigación de vanguardia y los casos de uso prácticos del mundo real. Cuando la investigación se lleva a cabo en un vacío académico, sin ataduras de la realidad operativa, los modelos que pueden funcionar bien en un entorno fuera de línea a menudo fallan ante los requisitos de latencia del mundo real y la complejidad de los datos de producción en vivo. Sin un circuito de retroalimentación estrecho, es fácil perder de vista lo que realmente hace que las cosas sucedan para el usuario final.
Nuestros equipos de IA están diseñados intencionalmente para abarcar el espectro desde la investigación básica hasta la resolución de problemas altamente aplicados, abordando estos puntos de fricción antes de que detengan un proyecto. Este modelo integrado reúne la investigación y las aplicaciones bajo un mismo techo, creando espacio para explorar la tecnología subyacente sin dejar de estar basado en las necesidades del mundo real de la empresa y sus asociados. Cuando la investigación básica y el desarrollo aplicado están vinculados por diseño, se puede acelerar el aprendizaje, evitar callejones sin salida y tener en cuenta las limitaciones del mundo real desde el principio.
En Capital One, este enfoque nos ha ayudado a abordar desafíos críticos en los servicios financieros, incluida la mejora de la detección de fraude, la mejora de las experiencias de los usuarios digitales y la mejora de las tecnologías centradas en el cliente mediante el aprovechamiento de soluciones patentadas de IA.
Por ejemplo, nuestra investigación sobre la combinación de arquitecturas multiagente va más allá del simple razonamiento LLM; Su objetivo es permitir que los agentes de IA especializados coordinen entre distintas tareas, como investigar el contexto del cliente y preparar documentación simultáneamente. Esta investigación respaldó el lanzamiento de Chat Concierge, una solución de compra de automóviles que imita el razonamiento humano no solo para proporcionar información, sino también para actuar en nombre de los clientes en función de sus solicitudes. También innovamos brindando soluciones de vanguardia en servicios de agentes, personalización de IA y mucho más. Al mantener la investigación vinculada al caso de uso, podemos acelerar avances de vanguardia que realmente se adapten al mundo real.
Llevando la IA del concepto a la producción
No todas las ideas de IA necesitan ponerse directamente en producción. Una evaluación rigurosa, desde la prueba de concepto hasta la prueba piloto y la producción, es esencial para determinar qué es lo que realmente vale la pena escalar, pero solo si estos pasos se tratan como obstáculos honestos. Algunas consideraciones incluyen:
A prueba de concepto debe ser funcional y no sólo teórico. No debería ser una presentación de diapositivas de «esto es lo que podríamos hacer». Tiene que ser una máquina que realmente haga algo mensurable. Incluso en esta etapa, se necesita una señal objetiva de que vale la pena realizar el trabajo.
Suscríbete y recibe las historias más importantes del día.
Al suscribirte aceptas nuestros términos y condiciones y política de privacidad.
Un negativo piloto el resultado no es un fracaso. Si los pilotos siempre «tienen éxito» por definición, entonces no funcionan como puntos de decisión: son sólo un lento compromiso con la producción. Un piloto debería ampliar el alcance y el realismo, proporcionando datos valiosos sobre si una solución realmente ayuda a un ser humano a realizar un trabajo real.
Producción es un deporte de equipo. Resolver el modelo básico o el problema algorítmico es sólo una parte del trabajo. Pasar a la producción requiere una realidad multifuncional que involucra ingeniería de software, ciencia, productos y diseño, gestión de programas técnicos, operaciones y otras disciplinas dentro de una empresa. El progreso técnico es necesario, pero no es el final del trabajo.
A lo largo de este viaje, la medición es un elemento importante. En Capital One, el máximo retorno de la inversión es un cliente satisfecho. Por lo tanto, nos centramos en una serie de indicadores clave de rendimiento de la IA, como la precisión, la latencia, etc., para garantizar que respondemos en el momento adecuado a nuestros clientes. Si no puedes saber si estás mejorando, entonces no lo harás. Priorizar la precisión sobre la óptica es lo que permite la mejora y el progreso continuo.
Permitir el aprendizaje continuo y la innovación responsable
La innovación sostenible en IA depende tanto de la cultura como de la tecnología. Dado que la investigación implica explorar lo desconocido, la incertidumbre es normal. Una cultura saludable reconoce esta realidad y crea un espacio para la toma de riesgos informada, junto con la rendición de cuentas.
Las organizaciones deben fomentar la corrección del rumbo. Si reconocer que “esto no está funcionando” se trata como un desastre, los equipos aprenderán a ocultar los problemas en lugar de solucionarlos. Pero si se anima a los equipos a evaluar honestamente, girar cuando sea necesario y aprender de comienzos en falso, entonces la organización podrá avanzar de manera más rápida y segura. Esto significa tratar los proyectos piloto como puntos de decisión reales: detener, remodelar o reducir los esfuerzos en función de lo que muestran los datos, en lugar de impulsarlos por defecto. En Capital One, permitimos que los equipos prueben cosas ambiciosas, aprendan rápidamente y construyan un ecosistema que garantice que la IA sea útil, confiable y segura.
Pensamientos finales
Crear una IA impactante no se trata de perseguir cada nuevo avance. Se trata de guiar cuidadosamente las ideas desde la investigación hasta la realidad a través de la evaluación, la colaboración y una cultura que abrace el aprendizaje.
A medida que la IA continúa evolucionando, los líderes deben invertir no solo en las herramientas, sino también en los procesos de I+D y las bases culturales que permiten que la innovación crezca de manera responsable. Cuando conecta la investigación y la aplicación, prioriza la evaluación y medición continuas y fomenta entornos donde los equipos pueden aprender y adaptarse, le brinda a la IA la mejor oportunidad de tener un impacto duradero en toda la empresa en el mundo real.
Liz Boschee es vicepresidenta de Fundamentos de IA en Capital One.
Los artículos patrocinados son contenidos producidos por una empresa que paga por la publicación o tiene una relación comercial con VentureBeat y siempre están claramente marcados. Para más información, póngase en contacto ventas@venturebeat.com.
