![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/12\/Hasan-Zayour.jpg\")
Introducci\u00f3n<\/h2><\/div>Desde su explosiva aparici\u00f3n a mediados de 2022, la IA generativa ha captado r\u00e1pidamente la atenci\u00f3n mundial. Lo que inicialmente se centr\u00f3 en la modalidad ling\u00fc\u00edstica se ha expandido desde entonces a nuevas y apasionantes v\u00edas, incluidos los modelos de imagen, audio y v\u00eddeo. A principios de 2023, crecieron las especulaciones sobre el impacto potencial de la tecnolog\u00eda en las empresas de diversos sectores, acompa\u00f1adas de emocionantes casos de adopci\u00f3n temprana. A medida que m\u00e1s desarrolladores empezaron a construir soluciones con estos modelos, la percepci\u00f3n general cambi\u00f3 hacia la aparici\u00f3n continua de versiones m\u00e1s nuevas, m\u00e1s grandes y, con suerte, mejores de los modelos m\u00e1s utilizados.<\/p>\n<\/div>
A medida que nos adentramos en 2024, ha surgido una idea clave: desplegar la IA no consiste simplemente en adoptar el modelo m\u00e1s reciente y m\u00e1s grande de la estanter\u00eda. Aunque es habitual suponer que las soluciones de IA ya est\u00e1n hechas o que aumentar el tama\u00f1o del modelo conduce autom\u00e1ticamente a mejores resultados, este enfoque rara vez satisface las necesidades especializadas de la mayor\u00eda de las empresas. En realidad, las aplicaciones de \u00e9xito requieren soluciones de IA a medida, flexibles y eficaces.<\/p>\n<\/div>
Para lograrlo, recurrimos a Sistemas compuestos de IA<\/strong>. A diferencia de los modelos \u00fanicos y monol\u00edticos, los sistemas compuestos de IA integran m\u00faltiples componentes especializados de IA, cada uno optimizado para una funci\u00f3n espec\u00edfica. Esta estructura garantiza una gran personalizaci\u00f3n, adaptabilidad y precisi\u00f3n, transformando la IA de una herramienta general en una soluci\u00f3n creada a medida. Combinando componentes de IA m\u00e1s peque\u00f1os e interconectados, las empresas pueden lograr un rendimiento y unos resultados que superan con creces el alcance de los modelos est\u00e1ndar por s\u00ed solos. Por lo tanto, para lograr un impacto empresarial \u00f3ptimo en todos los sectores, sostenemos que una visi\u00f3n estrat\u00e9gica deber\u00eda priorizar los dise\u00f1os de sistemas m\u00e1s inteligentes frente a la mera construcci\u00f3n de modelos m\u00e1s grandes y exigentes desde el punto de vista computacional.<\/p>\n<\/div>Comprender los sistemas de IA compuestos<\/h2><\/div>El laboratorio de Investigaci\u00f3n de Inteligencia Artificial de Berkeley (BAIR) define un sistema compuesto de IA como un sistema \u201cque aborda tareas de IA utilizando m\u00faltiples componentes que interact\u00faan, incluyendo m\u00faltiples llamadas a modelos, recuperadores o herramientas externas\u201d<\/a>. Por ejemplo, Sistema de Generaci\u00f3n Aumentada de Recuperaci\u00f3n (RAG)<\/a> es un sistema compuesto que combina un gran modelo ling\u00fc\u00edstico (LLM), un mecanismo de recuperaci\u00f3n de informaci\u00f3n y una base data vectorizada. En cambio, un modelo generativo de IA es un modelo estad\u00edstico<\/a>; por ejemplo, un LLM predice el siguiente token en el texto bas\u00e1ndose en el entrenamiento data.<\/p>\n<\/div>En este contexto, un modelo puede verse como un bloque \u00fanico, mientras que un sistema compuesto de IA se parece m\u00e1s a una m\u00e1quina compuesta por m\u00faltiples bloques de construcci\u00f3n, cada uno de los cuales cumple una funci\u00f3n espec\u00edfica para lograr el objetivo general del sistema.<\/p>\n<\/div>
![\"Compound](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/12\/Compound-AI-Systems-article-image-1.png\" "\\"Sistemas")
<\/span><\/div>Modelos frente a sistemas compuestos de IA. Fuente<\/a><\/em><\/p>\n<\/div>\u00bfEn qu\u00e9 son \u00fatiles estos sistemas?<\/h2><\/div>La especializaci\u00f3n: Un gran martillo no es la herramienta adecuada para todo<\/strong><\/h3><\/div>Cuando se abordan aplicaciones espec\u00edficas o necesidades de la industria, confiar en un modelo de IA de prop\u00f3sito general como el GPT-4 puede no ser suficiente. Aunque potentes, estos modelos est\u00e1n dise\u00f1ados para manejar una amplia gama de tareas y pueden carecer de los conocimientos especializados necesarios para aplicaciones concretas, lo que conduce a rendimientos decrecientes a partir de cierto punto.<\/p>\n<\/div>
Por ejemplo, una instituci\u00f3n financiera que quiera desarrollar un chatbot para el an\u00e1lisis de inversiones o la gesti\u00f3n de patrimonios necesita un sistema que incorpore tanto conocimientos especializados como experiencia espec\u00edfica de la empresa. Dada la naturaleza de la industria, habr\u00eda preocupaciones en torno a la privacidad (la empresa puede requerir soluciones in situ y el uso exclusivo de modelos abiertos), la precisi\u00f3n (las soluciones deben ser impecablemente precisas) y la eficiencia. Utilizar incluso los modelos ling\u00fc\u00edsticos m\u00e1s potentes como soluci\u00f3n independiente no ser\u00eda, desde luego, la opci\u00f3n \u00f3ptima. En su lugar, un sistema de IA compuesto podr\u00eda ser muy eficaz integrando m\u00faltiples componentes especializados, como los sistemas de generaci\u00f3n mejorada por recuperaci\u00f3n (RAG) y los agentes de IA a medida. Este enfoque garantiza que cada parte del sistema est\u00e9 optimizada para su funci\u00f3n espec\u00edfica.<\/p>\n<\/div>
Flexibilidad: Los sistemas modulares se adaptan a las necesidades cambiantes con facilidad<\/strong><\/h3><\/div>Cuando un sistema se construye utilizando componentes modulares, sustituir o actualizar las piezas individuales resulta mucho m\u00e1s sencillo. El mismo principio se aplica a los sistemas compuestos de IA, que se construyen a partir de m\u00faltiples bloques. Si un componente de una soluci\u00f3n de IA compuesta se queda obsoleto o no cumple los nuevos requisitos de conformidad, puede sustituirse sin necesidad de revisar todo el sistema. Por ejemplo, si aparece un nuevo modelo m\u00e1s adecuado, puede integrarse en el sistema para sustituir a la versi\u00f3n anterior. Del mismo modo, si se desarrolla un mecanismo de recuperaci\u00f3n de la informaci\u00f3n m\u00e1s eficaz, puede intercambiarse sin interrumpir toda la configuraci\u00f3n. Esta flexibilidad se extiende m\u00e1s all\u00e1 de los modelos y los sistemas de recuperaci\u00f3n a otros componentes, como las unidades de procesamiento data, los motores de an\u00e1lisis o los m\u00f3dulos de conformidad.<\/p>\n<\/div>
Escalabilidad: Los enjambres de componentes inteligentes superan a un \u00fanico gigante<\/strong><\/h3><\/div>La naturaleza modular de los sistemas de IA compuestos ofrece ventajas significativas en cuanto a escalabilidad. Al permitir que los componentes individuales se escalen de forma independiente, estos sistemas pueden gestionar eficazmente vol\u00famenes y complejidades cada vez mayores data sin necesidad de una revisi\u00f3n completa.<\/p>\n<\/div>
Un sistema puede escalarse replic\u00e1ndolo en una red de sistemas, lo que te\u00f3ricamente permite una escalabilidad infinita. Esta es la raz\u00f3n por la que un \u00fanico modelo ling\u00fc\u00edstico, por muy grande o potente que sea (a d\u00eda de hoy), no puede buscar eficazmente una informaci\u00f3n espec\u00edfica en una base data muy grande. Para ampliar las capacidades de b\u00fasqueda de un modelo, inevitablemente tendr\u00e1 que crear un sistema multicomponente que mejore la funci\u00f3n de b\u00fasqueda. Si ni siquiera las tareas m\u00e1s sencillas, como la recuperaci\u00f3n de informaci\u00f3n, pueden ser escaladas eficazmente por un \u00fanico modelo, queda claro que los componentes individuales, por s\u00ed solos, no pueden soportar aplicaciones complejas a gran escala.<\/p>\n<\/div>
Por qu\u00e9 los sistemas de IA compuestos tienen sentido desde el punto de vista empresarial<\/h2><\/div>Desde una perspectiva empresarial, la adopci\u00f3n de sistemas compuestos de IA va m\u00e1s all\u00e1 de la sofisticaci\u00f3n t\u00e9cnica: proporciona ventajas estrat\u00e9gicas que se alinean directamente con los objetivos empresariales. Incluso se podr\u00eda argumentar que si una empresa desea aprovechar la IA generativa, no tiene m\u00e1s remedio que construir (o comprar) un sistema compuesto. Aunque esto pueda parecer sencillo, pone en tela de juicio la suposici\u00f3n empresarial com\u00fan de que los modelos independientes y listos para usar son suficientes para satisfacer las demandas especializadas.<\/p>\n<\/div>
Mayor satisfacci\u00f3n del cliente<\/strong><\/h3><\/div>Los modelos de IA m\u00e1s avanzados, por s\u00ed solos, no pueden crear una experiencia personalizada. Esto s\u00f3lo puede lograrse mediante un sistema compuesto que permita ofrecer experiencias al cliente altamente personalizadas y contextualmente relevantes. Por ejemplo, la Voz neural personalizada<\/a> combina los LLM generales con un entrenamiento de voz personalizado, lo que permite a las marcas crear asistentes digitales que se ajusten con precisi\u00f3n a su tono y estilo \u00fanicos. Este nivel de personalizaci\u00f3n es particularmente poderoso en las industrias orientadas al cliente, como la publicidad, donde los clientes responden positivamente al sentirse especiales y comprendidos. Desde una perspectiva empresarial, la combinaci\u00f3n de esta tecnolog\u00eda con la capacidad de a\u00f1adir contexto da lugar a resultados personalizados, lo que en \u00faltima instancia impulsa la satisfacci\u00f3n del cliente.<\/p>\n<\/div>Eficiencia de costos <\/strong><\/h3><\/div>A diferencia de los modelos individuales que proporcionan un nivel fijo de calidad a un coste fijo, la IA compuesta ofrece configuraciones flexibles de coste-calidad. Por ejemplo, las empresas pueden integrar un modelo m\u00e1s peque\u00f1o, ajustado a las instrucciones, con componentes especializados, como la heur\u00edstica de b\u00fasqueda, para obtener resultados de alta calidad a un coste inferior en comparaci\u00f3n con modelos m\u00e1s grandes e independientes. Esta flexibilidad permite utilizar modelos m\u00e1s peque\u00f1os, potencialmente de c\u00f3digo abierto, que, con una ingenier\u00eda espec\u00edfica, pueden ofrecer resultados comparables a soluciones m\u00e1s caras.<\/p>\n<\/div>
Mejor control y confianza<\/strong><\/h3><\/div>Para las empresas, la fiabilidad y la confianza en los resultados de la IA son cruciales. Confiar \u00fanicamente en modelos individuales puede dificultar la obtenci\u00f3n de resultados coherentes y bien formateados. Por ejemplo, un cliente anterior del sector educativo me pidi\u00f3 una vez una soluci\u00f3n para rellenar autom\u00e1ticamente las solicitudes bas\u00e1ndose en su data e informaci\u00f3n escolar. Al principio, pas\u00e9 meses elaborando un sistema secuencial basado en la ingenier\u00eda avanzada de solicitudes, sin utilizar un enfoque compuesto. Los resultados mejoraron, pero nunca se acercaron lo suficiente a lo que pod\u00edamos presentar como solicitudes totalmente cumplimentadas. S\u00f3lo cuando se introdujo el concepto de GAR empezaron a surgir resultados totalmente controlados. Sin embargo, ni siquiera la GAR por s\u00ed sola era suficiente; se necesitaban componentes adicionales para categorizar la informaci\u00f3n, mantener la coherencia del contexto y manejar otros matices. S\u00f3lo entonces conseguimos la fiabilidad y precisi\u00f3n que el cliente necesitaba.<\/p>\n<\/div>
Conclusi\u00f3n<\/h2><\/div>El examen del panorama actual de la IA en las aplicaciones industriales revela una tendencia clara: confiar en un \u00fanico modelo para realizar funciones complejas suele resultar poco fiable. A medida que los casos de uso se hacen m\u00e1s intrincados y crece la adopci\u00f3n por parte de las empresas, la demanda de soluciones de IA altamente especializadas y capaces est\u00e1 llamada a aumentar. Para satisfacer esta demanda, hay que orquestar una arquitectura de soluciones que incorpore modelos mejorados y especializados, evitando el escollo de tener un alcance estrecho y unilateral.<\/p>\n<\/div>
La comunidad de desarrolladores bulle con aplicaciones apasionantes que abarcan campos que van desde la medicina hasta el comercio minorista, todas ellas construidas ensamblando componentes m\u00e1s peque\u00f1os y especializados en soluciones potentes y a medida.<\/p>\n<\/div>
Incluso la IA, por s\u00ed sola, no es lo suficientemente inteligente para alcanzar los objetivos empresariales estrat\u00e9gicos. Debe complementarse con una forma superior de inteligencia orquestada.<\/p>\n<\/div>
Ap\u00e9ndice<\/h2><\/div>Ejemplos de sistemas compuestos de IA<\/strong><\/h3><\/div>A continuaci\u00f3n presentamos una colecci\u00f3n de sistemas compuestos de IA impactantes e interesantes que ponen de manifiesto la utilidad de este concepto. Independientemente de la infraestructura que utilicen los desarrolladores, el objetivo es observar c\u00f3mo la combinaci\u00f3n de varios componentes de IA con otras herramientas puede lograr un prop\u00f3sito muy espec\u00edfico.<\/p>\n<\/div>
Generaci\u00f3n mejorada por recuperaci\u00f3n (RAG)<\/span><\/a><\/h4><\/div>RAG mejora la salida de un LLM proporcionando un contexto espec\u00edfico obtenido de una base data vectorizada que se encuentra fuera del data de entrenamiento original del modelo. Mientras que los LLM se entrenan en vastos conjuntos de data y aprovechan miles de millones de par\u00e1metros para generar respuestas, el RAG va un paso m\u00e1s all\u00e1. Permite al LLM acceder y referenciar informaci\u00f3n espec\u00edfica y actualizada, ya sea espec\u00edfica del dominio o extra\u00edda de la base de conocimientos interna de una organizaci\u00f3n. Este proceso mejora significativamente la relevancia, precisi\u00f3n y utilidad del contenido generado, todo ello sin necesidad de volver a entrenar el modelo.<\/p>\n<\/div>
Las empresas con grandes conjuntos de data que necesitan un m\u00e9todo eficaz para organizar el conocimiento interno pueden desplegar esta soluci\u00f3n in situ, utilizando el modelo de su elecci\u00f3n, para recuperar piezas precisas de informaci\u00f3n. Por ejemplo, los analistas financieros pueden localizar r\u00e1pidamente data relevantes dentro de reports hist\u00f3ricos sin necesidad de cribar manualmente cada uno de ellos. El modelo, mejorado por esta informaci\u00f3n contextual, tambi\u00e9n genera respuestas m\u00e1s precisas y \u00fatiles, agilizando todo el proceso de recuperaci\u00f3n de informaci\u00f3n.<\/p>\n<\/div>
A continuaci\u00f3n se muestra una arquitectura RAG t\u00edpica:<\/p>\n<\/div>
![\"Article:](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/12\/Compound-AI-Systems-article-image-2.png\" "\\"Art\u00edculo:")
<\/span><\/div>Arquitectura general RAG<\/em><\/p>\n<\/div>La siguiente es una tabla de algunos sistemas de IA compuestos comunes (fuente<\/a>):<\/p>\n<\/div>![\"Article:](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/12\/Compound-AI-Systems-article-image-3.png\" "\\"Art\u00edculo:")
<\/span><\/div>Otras lecturas sobre otros sistemas compuestos de IA interesantes<\/strong><\/h3><\/div>
Desde su explosiva aparici\u00f3n a mediados de 2022, la IA generativa ha captado r\u00e1pidamente la atenci\u00f3n mundial. Lo que inicialmente se centr\u00f3 en la modalidad ling\u00fc\u00edstica se ha expandido desde entonces a nuevas y apasionantes v\u00edas, incluidos los modelos de imagen, audio y v\u00eddeo. A principios de 2023, crecieron las especulaciones sobre el impacto potencial de la tecnolog\u00eda en las empresas de diversos sectores, acompa\u00f1adas de emocionantes casos de adopci\u00f3n temprana. A medida que m\u00e1s desarrolladores empezaron a construir soluciones con estos modelos, la percepci\u00f3n general cambi\u00f3 hacia la aparici\u00f3n continua de versiones m\u00e1s nuevas, m\u00e1s grandes y, con suerte, mejores de los modelos m\u00e1s utilizados.<\/p>\n<\/div>
A medida que nos adentramos en 2024, ha surgido una idea clave: desplegar la IA no consiste simplemente en adoptar el modelo m\u00e1s reciente y m\u00e1s grande de la estanter\u00eda. Aunque es habitual suponer que las soluciones de IA ya est\u00e1n hechas o que aumentar el tama\u00f1o del modelo conduce autom\u00e1ticamente a mejores resultados, este enfoque rara vez satisface las necesidades especializadas de la mayor\u00eda de las empresas. En realidad, las aplicaciones de \u00e9xito requieren soluciones de IA a medida, flexibles y eficaces.<\/p>\n<\/div>
Para lograrlo, recurrimos a Sistemas compuestos de IA<\/strong>. A diferencia de los modelos \u00fanicos y monol\u00edticos, los sistemas compuestos de IA integran m\u00faltiples componentes especializados de IA, cada uno optimizado para una funci\u00f3n espec\u00edfica. Esta estructura garantiza una gran personalizaci\u00f3n, adaptabilidad y precisi\u00f3n, transformando la IA de una herramienta general en una soluci\u00f3n creada a medida. Combinando componentes de IA m\u00e1s peque\u00f1os e interconectados, las empresas pueden lograr un rendimiento y unos resultados que superan con creces el alcance de los modelos est\u00e1ndar por s\u00ed solos. Por lo tanto, para lograr un impacto empresarial \u00f3ptimo en todos los sectores, sostenemos que una visi\u00f3n estrat\u00e9gica deber\u00eda priorizar los dise\u00f1os de sistemas m\u00e1s inteligentes frente a la mera construcci\u00f3n de modelos m\u00e1s grandes y exigentes desde el punto de vista computacional.<\/p>\n<\/div> El laboratorio de Investigaci\u00f3n de Inteligencia Artificial de Berkeley (BAIR) define un sistema compuesto de IA como un sistema \u201cque aborda tareas de IA utilizando m\u00faltiples componentes que interact\u00faan, incluyendo m\u00faltiples llamadas a modelos, recuperadores o herramientas externas\u201d<\/a>. Por ejemplo, Sistema de Generaci\u00f3n Aumentada de Recuperaci\u00f3n (RAG)<\/a> es un sistema compuesto que combina un gran modelo ling\u00fc\u00edstico (LLM), un mecanismo de recuperaci\u00f3n de informaci\u00f3n y una base data vectorizada. En cambio, un modelo generativo de IA es un modelo estad\u00edstico<\/a>; por ejemplo, un LLM predice el siguiente token en el texto bas\u00e1ndose en el entrenamiento data.<\/p>\n<\/div> En este contexto, un modelo puede verse como un bloque \u00fanico, mientras que un sistema compuesto de IA se parece m\u00e1s a una m\u00e1quina compuesta por m\u00faltiples bloques de construcci\u00f3n, cada uno de los cuales cumple una funci\u00f3n espec\u00edfica para lograr el objetivo general del sistema.<\/p>\n<\/div> Modelos frente a sistemas compuestos de IA. Fuente<\/a><\/em><\/p>\n<\/div> Cuando se abordan aplicaciones espec\u00edficas o necesidades de la industria, confiar en un modelo de IA de prop\u00f3sito general como el GPT-4 puede no ser suficiente. Aunque potentes, estos modelos est\u00e1n dise\u00f1ados para manejar una amplia gama de tareas y pueden carecer de los conocimientos especializados necesarios para aplicaciones concretas, lo que conduce a rendimientos decrecientes a partir de cierto punto.<\/p>\n<\/div> Por ejemplo, una instituci\u00f3n financiera que quiera desarrollar un chatbot para el an\u00e1lisis de inversiones o la gesti\u00f3n de patrimonios necesita un sistema que incorpore tanto conocimientos especializados como experiencia espec\u00edfica de la empresa. Dada la naturaleza de la industria, habr\u00eda preocupaciones en torno a la privacidad (la empresa puede requerir soluciones in situ y el uso exclusivo de modelos abiertos), la precisi\u00f3n (las soluciones deben ser impecablemente precisas) y la eficiencia. Utilizar incluso los modelos ling\u00fc\u00edsticos m\u00e1s potentes como soluci\u00f3n independiente no ser\u00eda, desde luego, la opci\u00f3n \u00f3ptima. En su lugar, un sistema de IA compuesto podr\u00eda ser muy eficaz integrando m\u00faltiples componentes especializados, como los sistemas de generaci\u00f3n mejorada por recuperaci\u00f3n (RAG) y los agentes de IA a medida. Este enfoque garantiza que cada parte del sistema est\u00e9 optimizada para su funci\u00f3n espec\u00edfica.<\/p>\n<\/div> Cuando un sistema se construye utilizando componentes modulares, sustituir o actualizar las piezas individuales resulta mucho m\u00e1s sencillo. El mismo principio se aplica a los sistemas compuestos de IA, que se construyen a partir de m\u00faltiples bloques. Si un componente de una soluci\u00f3n de IA compuesta se queda obsoleto o no cumple los nuevos requisitos de conformidad, puede sustituirse sin necesidad de revisar todo el sistema. Por ejemplo, si aparece un nuevo modelo m\u00e1s adecuado, puede integrarse en el sistema para sustituir a la versi\u00f3n anterior. Del mismo modo, si se desarrolla un mecanismo de recuperaci\u00f3n de la informaci\u00f3n m\u00e1s eficaz, puede intercambiarse sin interrumpir toda la configuraci\u00f3n. Esta flexibilidad se extiende m\u00e1s all\u00e1 de los modelos y los sistemas de recuperaci\u00f3n a otros componentes, como las unidades de procesamiento data, los motores de an\u00e1lisis o los m\u00f3dulos de conformidad.<\/p>\n<\/div> La naturaleza modular de los sistemas de IA compuestos ofrece ventajas significativas en cuanto a escalabilidad. Al permitir que los componentes individuales se escalen de forma independiente, estos sistemas pueden gestionar eficazmente vol\u00famenes y complejidades cada vez mayores data sin necesidad de una revisi\u00f3n completa.<\/p>\n<\/div> Un sistema puede escalarse replic\u00e1ndolo en una red de sistemas, lo que te\u00f3ricamente permite una escalabilidad infinita. Esta es la raz\u00f3n por la que un \u00fanico modelo ling\u00fc\u00edstico, por muy grande o potente que sea (a d\u00eda de hoy), no puede buscar eficazmente una informaci\u00f3n espec\u00edfica en una base data muy grande. Para ampliar las capacidades de b\u00fasqueda de un modelo, inevitablemente tendr\u00e1 que crear un sistema multicomponente que mejore la funci\u00f3n de b\u00fasqueda. Si ni siquiera las tareas m\u00e1s sencillas, como la recuperaci\u00f3n de informaci\u00f3n, pueden ser escaladas eficazmente por un \u00fanico modelo, queda claro que los componentes individuales, por s\u00ed solos, no pueden soportar aplicaciones complejas a gran escala.<\/p>\n<\/div> Desde una perspectiva empresarial, la adopci\u00f3n de sistemas compuestos de IA va m\u00e1s all\u00e1 de la sofisticaci\u00f3n t\u00e9cnica: proporciona ventajas estrat\u00e9gicas que se alinean directamente con los objetivos empresariales. Incluso se podr\u00eda argumentar que si una empresa desea aprovechar la IA generativa, no tiene m\u00e1s remedio que construir (o comprar) un sistema compuesto. Aunque esto pueda parecer sencillo, pone en tela de juicio la suposici\u00f3n empresarial com\u00fan de que los modelos independientes y listos para usar son suficientes para satisfacer las demandas especializadas.<\/p>\n<\/div> Los modelos de IA m\u00e1s avanzados, por s\u00ed solos, no pueden crear una experiencia personalizada. Esto s\u00f3lo puede lograrse mediante un sistema compuesto que permita ofrecer experiencias al cliente altamente personalizadas y contextualmente relevantes. Por ejemplo, la Voz neural personalizada<\/a> combina los LLM generales con un entrenamiento de voz personalizado, lo que permite a las marcas crear asistentes digitales que se ajusten con precisi\u00f3n a su tono y estilo \u00fanicos. Este nivel de personalizaci\u00f3n es particularmente poderoso en las industrias orientadas al cliente, como la publicidad, donde los clientes responden positivamente al sentirse especiales y comprendidos. Desde una perspectiva empresarial, la combinaci\u00f3n de esta tecnolog\u00eda con la capacidad de a\u00f1adir contexto da lugar a resultados personalizados, lo que en \u00faltima instancia impulsa la satisfacci\u00f3n del cliente.<\/p>\n<\/div> A diferencia de los modelos individuales que proporcionan un nivel fijo de calidad a un coste fijo, la IA compuesta ofrece configuraciones flexibles de coste-calidad. Por ejemplo, las empresas pueden integrar un modelo m\u00e1s peque\u00f1o, ajustado a las instrucciones, con componentes especializados, como la heur\u00edstica de b\u00fasqueda, para obtener resultados de alta calidad a un coste inferior en comparaci\u00f3n con modelos m\u00e1s grandes e independientes. Esta flexibilidad permite utilizar modelos m\u00e1s peque\u00f1os, potencialmente de c\u00f3digo abierto, que, con una ingenier\u00eda espec\u00edfica, pueden ofrecer resultados comparables a soluciones m\u00e1s caras.<\/p>\n<\/div> Para las empresas, la fiabilidad y la confianza en los resultados de la IA son cruciales. Confiar \u00fanicamente en modelos individuales puede dificultar la obtenci\u00f3n de resultados coherentes y bien formateados. Por ejemplo, un cliente anterior del sector educativo me pidi\u00f3 una vez una soluci\u00f3n para rellenar autom\u00e1ticamente las solicitudes bas\u00e1ndose en su data e informaci\u00f3n escolar. Al principio, pas\u00e9 meses elaborando un sistema secuencial basado en la ingenier\u00eda avanzada de solicitudes, sin utilizar un enfoque compuesto. Los resultados mejoraron, pero nunca se acercaron lo suficiente a lo que pod\u00edamos presentar como solicitudes totalmente cumplimentadas. S\u00f3lo cuando se introdujo el concepto de GAR empezaron a surgir resultados totalmente controlados. Sin embargo, ni siquiera la GAR por s\u00ed sola era suficiente; se necesitaban componentes adicionales para categorizar la informaci\u00f3n, mantener la coherencia del contexto y manejar otros matices. S\u00f3lo entonces conseguimos la fiabilidad y precisi\u00f3n que el cliente necesitaba.<\/p>\n<\/div> El examen del panorama actual de la IA en las aplicaciones industriales revela una tendencia clara: confiar en un \u00fanico modelo para realizar funciones complejas suele resultar poco fiable. A medida que los casos de uso se hacen m\u00e1s intrincados y crece la adopci\u00f3n por parte de las empresas, la demanda de soluciones de IA altamente especializadas y capaces est\u00e1 llamada a aumentar. Para satisfacer esta demanda, hay que orquestar una arquitectura de soluciones que incorpore modelos mejorados y especializados, evitando el escollo de tener un alcance estrecho y unilateral.<\/p>\n<\/div> La comunidad de desarrolladores bulle con aplicaciones apasionantes que abarcan campos que van desde la medicina hasta el comercio minorista, todas ellas construidas ensamblando componentes m\u00e1s peque\u00f1os y especializados en soluciones potentes y a medida.<\/p>\n<\/div> Incluso la IA, por s\u00ed sola, no es lo suficientemente inteligente para alcanzar los objetivos empresariales estrat\u00e9gicos. Debe complementarse con una forma superior de inteligencia orquestada.<\/p>\n<\/div> A continuaci\u00f3n presentamos una colecci\u00f3n de sistemas compuestos de IA impactantes e interesantes que ponen de manifiesto la utilidad de este concepto. Independientemente de la infraestructura que utilicen los desarrolladores, el objetivo es observar c\u00f3mo la combinaci\u00f3n de varios componentes de IA con otras herramientas puede lograr un prop\u00f3sito muy espec\u00edfico.<\/p>\n<\/div> RAG mejora la salida de un LLM proporcionando un contexto espec\u00edfico obtenido de una base data vectorizada que se encuentra fuera del data de entrenamiento original del modelo. Mientras que los LLM se entrenan en vastos conjuntos de data y aprovechan miles de millones de par\u00e1metros para generar respuestas, el RAG va un paso m\u00e1s all\u00e1. Permite al LLM acceder y referenciar informaci\u00f3n espec\u00edfica y actualizada, ya sea espec\u00edfica del dominio o extra\u00edda de la base de conocimientos interna de una organizaci\u00f3n. Este proceso mejora significativamente la relevancia, precisi\u00f3n y utilidad del contenido generado, todo ello sin necesidad de volver a entrenar el modelo.<\/p>\n<\/div> Las empresas con grandes conjuntos de data que necesitan un m\u00e9todo eficaz para organizar el conocimiento interno pueden desplegar esta soluci\u00f3n in situ, utilizando el modelo de su elecci\u00f3n, para recuperar piezas precisas de informaci\u00f3n. Por ejemplo, los analistas financieros pueden localizar r\u00e1pidamente data relevantes dentro de reports hist\u00f3ricos sin necesidad de cribar manualmente cada uno de ellos. El modelo, mejorado por esta informaci\u00f3n contextual, tambi\u00e9n genera respuestas m\u00e1s precisas y \u00fatiles, agilizando todo el proceso de recuperaci\u00f3n de informaci\u00f3n.<\/p>\n<\/div> A continuaci\u00f3n se muestra una arquitectura RAG t\u00edpica:<\/p>\n<\/div> Arquitectura general RAG<\/em><\/p>\n<\/div> La siguiente es una tabla de algunos sistemas de IA compuestos comunes (fuente<\/a>):<\/p>\n<\/div>Comprender los sistemas de IA compuestos<\/h2><\/div>
<\/span><\/div>\u00bfEn qu\u00e9 son \u00fatiles estos sistemas?<\/h2><\/div>
La especializaci\u00f3n: Un gran martillo no es la herramienta adecuada para todo<\/strong><\/h3><\/div>
Flexibilidad: Los sistemas modulares se adaptan a las necesidades cambiantes con facilidad<\/strong><\/h3><\/div>
Escalabilidad: Los enjambres de componentes inteligentes superan a un \u00fanico gigante<\/strong><\/h3><\/div>
Por qu\u00e9 los sistemas de IA compuestos tienen sentido desde el punto de vista empresarial<\/h2><\/div>
Mayor satisfacci\u00f3n del cliente<\/strong><\/h3><\/div>
Eficiencia de costos <\/strong><\/h3><\/div>
Mejor control y confianza<\/strong><\/h3><\/div>
Conclusi\u00f3n<\/h2><\/div>
Ap\u00e9ndice<\/h2><\/div>
Ejemplos de sistemas compuestos de IA<\/strong><\/h3><\/div>
Generaci\u00f3n mejorada por recuperaci\u00f3n (RAG)<\/span><\/a><\/h4><\/div>
<\/span><\/div><\/span><\/div>Otras lecturas sobre otros sistemas compuestos de IA interesantes<\/strong><\/h3><\/div>