-
IA generativa
La IA generativa ya está aquí:
¿Todo listo?Innovación Intel® Built-In
-
-
-
Por dónde comenzar
Una nueva era de la IA generativa
Las organizaciones y las personas están utilizando la IA generativa (GenAI) a gran escala, lo que está provocando un importante impacto social. La IA de nivel de consumidor, como ChatGPT y DALL-E, ha cautivado a todo el mundo con su capacidad para generar contenido. Sin embargo, el impacto de IA generativa en las organizaciones promete ser aún mayor, por ejemplo, con el aumento de la productividad y la reducción de costes, y una transformación en la forma de trabajar.
-
76%
La IA generativa transformará las organizaciones
La IA generativa trae consigo recompensas, pero también nuevos retos y riesgos. Aunque las organizaciones se adentren en esta clase de IA, no deben poner en riesgo la confianza del cliente y el alto valor de sus datos solo por llegar antes que nadie a la meta.
76%
-
-
-
La función esencial de los datos en la IA generativa
Los datos y el riesgo van de la mano. Los datos impulsarán sus proyectos de IA generativa, pero también debe evaluar los posibles riesgos derivados de alojar los modelos de IA generativa en clouds públicas, lo que incluye: pérdida o vulneración de la propiedad intelectual, filtración de datos, problemas de privacidad, infracciones del cumplimiento normativo, pérdida de credibilidad e integridad, y sesgo.
-
-
Gestionar el riesgo e impulsar el valor
A medida que comienza el proceso, es esencial alinear las inversiones en tecnología y formación para aumentar la madurez operacional, reducir el riesgo, mejorar el control y maximizar el valor para su organización. Gracias a la IA generativa para empresas, usted puede controlar quién accede a sus datos.
-
-
Riesgo frente a la madurez operacional de una IA generativa inmadura y la IA generativa para empresas.
-
-
-
Alcance el éxito de la IA generativa
Aunque las empresas han dado con cientos de casos de uso en todos los sectores, encontrar los adecuados es fundamental.
-
-
-
-
-
-
Lleve la IA a sus datos
Utilice los datos adecuados
Los mejores casos de uso utilizan sus datos enriquecidos y dependen de la preparación de su IA y, al mismo tiempo, requieren la combinación adecuada de conjuntos de habilidades, presupuestos y recursos para apoyarlos. Es importante que los equipos empresariales y de TI colaboren para establecer prioridades.
Si bien la implementación de instancias privadas de modelos de idiomas grandes (LLM) de IA generativa, como Llama 2 o Falcon, ofrece ventajas en cuanto a velocidad e implementación, también puede implicar mayores costes y otros inconvenientes. En cualquier caso, es probable que la IA generativa interna sea la que ofrezca los mayores beneficios al principio.
-
-
-
Creación de contenido
-
Búsqueda de lenguaje natural
-
Generación de códigos
-
Asistente de soporte
-
Diseño y creación de datos
-
Automatización de documentos
-
-
-
-
Mantener los modelos de IA generativa cerca de sus datos
-
-
En cuanto a la ubicación de las cargas de trabajo, la IA generativa no es diferente de cualquier otra carga de trabajo. Para obtener los mejores resultados, debe ponerlas en el entorno que más sentido tenga en función de los requisitos empresariales y las necesidades técnicas.
En el siguiente diagrama se muestran los conceptos e infraestructuras que están en juego a la hora de determinar la ubicación de las cargas de trabajo de IA generativa.
-
-
-
Cinco motivos por los que debería acercar la IA a sus datos
-
-
Ubicación de las cargas de trabajo de IA generativa en clouds privadas frente a públicas.
-
-
Gestión de datos para la IA generativa
La mayoría de las organizaciones adopta un enfoque en dos líneas respecto a su estrategia de IA generativa. Experimentan con implementaciones tácticas para evitar quedarse rezagados y, al mismo tiempo, desarrollan una estrategia a largo plazo de cara a los muchos casos de uso que irán emergiendo. Este enfoque requiere una estrategia de gestión de datos en dos niveles.
PREPARACIÓN DE DATOSINGENIERÍA DE DATOS -
-
-
Preparación de datos
-
A corto plazo: preparación de datos
La preparación de datos incluye identificar los conjuntos de datos y definir los requisitos de los mismos para después limpiarlos, etiquetarlos, anonimizarlos y, a continuación, normalizarlos en distintos orígenes. También requiere la creación de pipelines de datos para integrar los datos en un modelo.
-
-
-
Ingeniería de datos
-
A largo plazo: ingeniería de datos
Las organizaciones necesitan un repositorio de datos bien estructurado, como un lago de datos, para integrar sus datos con modelos de IA generativa. Plantéese crear el lago de datos de forma iterativa para ampliar progresivamente las capacidades del repositorio de datos de IA generativa, mientras el equipo mejora sus habilidades de IA generativa y administración de datos.
-
-
-
-
-
-
"Esta colaboración [con Dell Technologies] permitirá que las empresas creen sus propios sistemas de IA y aprovechen la increíble innovación de la comunidad de código abierto mientras se benefician de la seguridad, el cumplimiento normativo y el rendimiento de los sistemas Dell".
-
-
-
-
-
-
IA DE TAMAÑO ADECUADO
Definir la infraestructura y la IA de tamaño adecuado
Sus datos únicos le permiten utilizar casos de uso específicos del dominio o la empresa, lo que genera valor en el sector gracias a tareas o funciones para las cuales tiene la propiedad exclusiva de los datos. Los diferentes tipos de IA generativa tienen los puntos de entrada y las inversiones correspondientes que son necesarios para garantizar el éxito. Los LLM formados con grandes cantidades de texto son como las enciclopedias: son útiles para el uso general, pero puede que no sean adecuadas para responder preguntas específicas sobre los datos de la organización.
-
-
-
Sus datos mejoran la eficiencia y el valor de la IA generativa de forma importante
-
Comparación de los tipos de modelos, incluidos los modelos específicos de la empresa, los específicos del dominio y los modelos grandes de lenguaje (LLM).
-
-
-
Modelos de implementación de IA: Evaluación de los costes e intercambio de valores
Los tres primeros tipos de modelos de implementación que se muestran a continuación son los que la mayoría de las organizaciones están implementando en la actualidad, empezando con el "aumento de modelos" y, en última instancia, decidir sobre los modelos precisos. El modelo de IA que elija dependerá del nivel de preparación de la ciencia de datos, los patrones de implementación y las implicaciones de cada uno de ellos por parte de su organización.
-
Modelo previamente entrenado
Este enfoque, que se denomina "ingeniería rápida", implica plantear una pregunta a un modelo previamente entrenado y recibir un resultado.
Ejemplo: ChatGPTAumento de modelos
Mejore su modelo de IA generativa y añada sus datos para proporcionar un contexto adicional para sus respuestas, como la inferencia, que incluye casos de uso como la generación aumentada de recuperación (RAG).
Modelos precisos
Esto implica ajustar el peso del modelo y la incorporación de los datos. Aunque mejora los resultados, también exige más esfuerzo durante la configuración.
Formación de modelos
Incluye la creación de un modelo muy específico y su formación con un conjunto de datos. Por lo general, es lo que más trabajo y recursos requiere y a menudo se reserva para resolver problemas complejos.
Esfuerzo Coste Valor y
diferenciaciónIntegración de datos Infraestructura De clientes a servidores De clientes a servidores Optimización para GPU Gran implementación de GPU Habilidades Operaciones de TI Desarrollador Científicos de datos Científicos de datos
-
Elija la infraestructura adecuada para su modelo
La infraestructura que respalda la implementación de IA generativa depende, en gran medida, de los requisitos informáticos, influidos por el tipo de modelo, el tamaño del modelo y el número de usuarios. Entre las consideraciones adicionales, se incluye la capacidad de almacenamiento necesaria para los datos utilizados durante la implementación, la formación y el refinamiento de modelos.
-
Cómo influyen el tipo de modelo, el tamaño del modelo y el número de usuarios en la infraestructura de IA generativa para su implementación.
-
-
-
-
-
Acelere su trayectoria hacia la IA
Comience con su primera victoria
La generación aumentada de recuperación (RAG) es un caso de uso temprano ideal para muchas organizaciones que utilizan recursos adicionales, como sus propios datos, para aumentar un modelo sin tener que volver a adaptarlo. Explore la configuración de casos de uso de RAG en tiempo real que se pueden aplicar para mejorar su empresa y sus datos.
-
Caso de uso de RAG
Aplicar RAG a un conjunto de datos PDF personalizado
-
DISEÑO VALIDADO DE DELL PARA RAG
Implementación de un asistente digital en Dell APEX Cloud Platform for Red Hat OpenShift
-
-
Permítanos ayudarle a agilizar su viaje
Dell puede ayudarle a eliminar las barreras y llevar a cabo la adopción de la IA generativa en toda la empresa mediante un enfoque integral desde el escritorio hasta el centro de datos.
-