El modelo de madurez de IBM para la adopción de IA generativa

Fase

Características

Recomendaciones

1

• Consumir modelos genéricos
• Enfoque impredecible y reactivo
• Esfuerzos localizados
• Comprensión limitada

• Desarrollar una conciencia básica
• Iniciar proyectos piloto

2

• Modelos aptos para su propósito en entornos de IA generativa primaria
• Procesos incoherentes
• Documentación inicial
• Reconocimiento de las necesidades de calidad de los datos

• Establecer una estrategia centralizada
• Entrenar de forma básica
• Evaluar los estándares de datos

3

• Aprovechar los datos de toda la empresa en entornos de IA generativa
• Estándares de toda la organización
• Gobierno establecido
• Centrarse en la ética

• Mejore la colaboración
• Abordar los desafíos de la IA generativa
• Mecanismos de feedback continuo

4

• Ejecutar e inferir modelos de IA generativa para escalar la computación/los costes
• Seguimiento de métricas activas
• Evaluación cuantitativa
• Toma de decisiones basada en datos

• Análisis avanzados
• Enlace a los objetivos empresariales
• Gestión robusta de riesgos

5

• Construir y utilizar modelos en distintos entornos de forma segura a costes óptimos
• Refinamiento continuo
• Bucles de feedback establecidos
• Enfoque proactivo

• Fomentar la innovación
• Interactúe con expertos
• Revisar el marco de gobierno

Fase

Capacidades de IA generativa

Madurez del gobierno

1

• Recursos de IA generativa: fundamentos de hardware y plataforma.
• Gestión de datos: almacenamiento y gestión inicial de datos.

Sin gobierno del ciclo de vida de la IA

2

• Model Hub: capacidades básicas de importación de modelos y datos.
• Capacidades: operaciones básicas para IA generativa.
• Pasos iniciales en el desarrollo de aplicaciones de IA generativa: comenzar a ajustar los modelos fundacionales.

Algunas políticas de IA disponibles para guiar el ciclo de vida de la IA

3

• Alojamiento de modelos: implementación de modelos como servicios API y gestión de políticas de acceso a modelos.
• Personalización de modelos: introducción al ajuste y la formación de modelos para necesidades específicas.
• Ajuste de IA generativa: personalización básica mediante Prompt Engineering y Model Fine-tuning.

Conjunto común de métricas para regir el ciclo de vida de la IA

4

• Gobierno de modelos: tratamiento de riesgos como la introducción de sesgos y el cumplimiento normativo.
• Monitorización de modelos: capacidades de monitorización en tiempo real que incluyen detección de sesgos y detección de HAP.
• Capacidades de las aplicaciones de IA generativa: incorporación de características avanzadas como la orquestación y la detección de intenciones.

Validación y monitorización automatizadas

5

• Personalización avanzada de modelos: empleo de plataformas en la nube para necesidades dinámicas.
• Monitorización y seguridad de instrucciones: garantía de que los modelos estén protegidos contra amenazas avanzadas.
• Ajuste avanzado de IA generativa: personalización exhaustiva de los modelos según la jerga y los procesos específicos de la empresa.
• Desarrollo avanzado de aplicaciones de IA generativa: desarrollo completo de aplicaciones de IA generativa y creación de modelos potenciales desde cero.

Gobierno totalmente automatizado del ciclo de vida de la IA