Escalar la IA generativa con opciones de modelos flexibles

Esta serie de entradas en el blog desmitifica la IA generativa empresarial para líderes empresariales y tecnológicos. Ofrece marcos sencillos y principios rectores para emprender un viaje transformador hacia la inteligencia artificial (IA). En el artículo anterior, analizamos el enfoque diferenciado de IBM para ofrecer modelos de nivel empresarial. En este artículo, profundizaremos en la importancia de la elección de los modelos fundacionales y en cómo permiten a las empresas escalar la IA generativa con confianza.

En el dinámico mundo de la IA generativa, los enfoques únicos son inadecuados. A medida que las empresas se esfuerzan por aprovechar el poder de la IA, tener un espectro de opciones de modelos a su disposición es necesario para:

• Estimular la innovación: una paleta diversa de modelos no solo fomenta la innovación al aportar distintas fortalezas para abordar una amplia gama de problemas, sino que también permite a los equipos adaptarse a las cambiantes necesidades empresariales y a las expectativas de los clientes.
• Personalizar para obtener una ventaja competitiva: una gama de modelos permite a las empresas adaptar las aplicaciones de IA a las necesidades de cada nicho, lo que les proporciona una ventaja competitiva. La IA generativa se puede ajustar a tareas específicas, ya sea responder preguntas en aplicaciones de chat o escribir código para generar resúmenes rápidos.
• Acelerar el tiempo de comercialización: en el vertiginoso entorno empresarial actual, el tiempo es esencial. Un portfolio diverso de modelos puede acelerar el proceso de desarrollo, permitiendo a las empresas introducir rápidamente ofertas con IA. Esto es especialmente crucial en la IA generativa, donde el acceso a las últimas innovaciones proporciona una ventaja competitiva fundamental.
• Mantenerse flexible ante el cambio: las condiciones del mercado y las estrategias empresariales evolucionan constantemente. Varias opciones de modelos permiten a las empresas pivotar de forma rápida y eficaz. El acceso a múltiples opciones permite una rápida adaptación cuando se producen nuevas tendencias o cambios estratégicos, manteniendo la agilidad y la resiliencia.
• Optimizar los costes en todos los casos de uso: los diferentes modelos tienen implicaciones de costes variables. Al acceder a una gama de modelos, las empresas pueden seleccionar la opción más rentable para cada aplicación. Aunque algunas tareas pueden requerir la precisión de modelos de alto coste, otras pueden abordarse con alternativas más asequibles sin sacrificar la calidad. Por ejemplo, en la atención al cliente, el rendimiento y la latencia pueden ser más críticos que la precisión, mientras que en los recursos y el desarrollo, la precisión importa más.
• Mitigar los riesgos: depender de un único modelo o de una selección limitada puede ser arriesgado. Un portfolio diverso de modelos ayuda a mitigar los riesgos de concentración, lo que ayuda a garantizar que las empresas sigan siendo resilientes a las deficiencias o al fracaso de un enfoque específico. Esta estrategia permite la distribución de riesgos y proporciona soluciones alternativas si surgen desafíos.
• Cumplir la normativa: el panorama normativo de la IA sigue evolucionando, con las consideraciones éticas en primer plano. Los diferentes modelos pueden tener diversas implicaciones para la equidad, la privacidad y el cumplimiento. Una amplia selección permite a las empresas navegar por este complejo terreno y elegir modelos que cumplan con los estándares legales y éticos.

Ahora que entendemos la importancia de la selección del modelo, ¿cómo abordamos el problema de la sobrecarga de opciones al seleccionar el modelo adecuado para un caso de uso específico? Podemos desglosar este complejo problema en un conjunto de pasos sencillos que puede aplicar hoy mismo:

1. Identifique un caso de uso claro: determine las necesidades y requisitos específicos de su aplicación empresarial. Esto implica elaborar instrucciones detalladas que tengan en cuenta las sutilezas de su sector y su empresa para garantizar que el modelo se alinee estrechamente con sus objetivos.
2. Enumere todas las opciones de modelos: evalúe varios modelos en función del tamaño, la precisión, la latencia y los riesgos asociados. Esto incluye comprender las fortalezas y debilidades de cada modelo, como las compensaciones entre precisión, latencia y rendimiento.
3. Evalúe los atributos del modelo: evalúe la idoneidad del tamaño del modelo en relación con sus necesidades, teniendo en cuenta cómo la escala del modelo podría afectar a su rendimiento y los riesgos implicados. Este paso se centra en ajustar el tamaño del modelo para adaptarlo de forma óptima al caso de uso, ya que más grande no es necesariamente mejor. Los modelos más pequeños pueden superar a los más grandes en dominios y casos de uso específicos.
4. Opciones del modelo de prueba: realice pruebas para ver si el modelo funciona según lo esperado en condiciones que imitan los escenarios del mundo real. Esto implica utilizar referencias académicas y conjuntos de datos específicos de dominio para evaluar la calidad de output y ajustar el modelo, por ejemplo, mediante Prompt Engineering o ajuste de modelos para optimizar su rendimiento.
5. Refine su selección en función del coste y las necesidades de implementación: después de las pruebas, refine su elección teniendo en cuenta factores como el retorno de la inversión, la rentabilidad y los aspectos prácticos de implementar el modelo dentro de sus sistemas e infraestructura existentes. Ajusta la elección en función de otros beneficios, como menor latencia o mayor transparencia.
6. Elija el modelo que proporcione más valor: haga la selección final de un modelo de IA que ofrezca el mejor equilibrio entre rendimiento, coste y riesgos asociados, adaptado a las demandas específicas de su caso de uso.

Al seguir una estrategia multimodelo, la biblioteca IBM watsonx ofrece modelos propios, de código abierto y de terceros, como se muestra en la imagen:

Esto proporciona a los clientes una gama de opciones, lo que les permite seleccionar el modelo que mejor se adapte a sus preferencias comerciales, regionales y de riesgo.

Además, watsonx permite a los clientes implementar modelos en la infraestructura que elijan, con opciones multicloud híbrido y en las instalaciones, para evitar el vendor lock-in y reducir el coste total de propiedad.

Las características de los modelos fundacionales pueden agruparse en 3 atributos principales. Las organizaciones deben entender que enfatizar demasiado un atributo puede comprometer a los demás. Equilibrar estos atributos es clave para personalizar el modelo para las necesidades específicas de una organización:

1. Fiables: modelos claros, explicables e inofensivos.
2. Que rindan: el nivel de rendimiento adecuado para los dominios empresariales y casos de uso específicos.
3. Rentables: Modelos que ofrecen IA generativa con un menor coste total de propiedad y un riesgo reducido.

IBM Granite es una serie emblemática de modelos de nivel empresarial desarrollada por IBM Research. Estos modelos tienen una característica óptima de estos atributos, con un enfoque en la confianza y la fiabilidad, lo que permite a las empresas tener éxito en sus iniciativas de IA generativa. Recuerde, las empresas no pueden escalar la IA generativa con modelos fundacionales en los que no puedan confiar.

IBM watsonx ofrece modelos de IA de nivel empresarial resultantes de un riguroso proceso de refinamiento. Este proceso comienza con la innovación de modelos liderada por IBM Research, que implica colaboraciones abiertas y formación sobre contenidos relevantes para la empresa en virtud del Código Ético de IA de IBM para promover la transparencia de los datos.

IBM Research ha desarrollado una técnica de ajuste de instrucciones que mejora tanto los modelos desarrollados por IBM como los modelos de código abierto seleccionados con capacidades esenciales para el uso empresarial. Más allá de los puntos de referencia académicos, nuestro conjunto de datos 'FM_EVAL' simula aplicaciones de IA empresarial del mundo real. Los modelos más sólidos de este pipeline están disponibles en IBM watsonx.ai, y proporcionan a los clientes modelos fundacionales de IA generativa de nivel empresarial, como se muestra en la imagen:

• Granite code models: una familia de modelos entrenados en 116 lenguajes de programación y cuyo tamaño oscila entre los 3 y los 34 mil millones de parámetros, tanto en un modelo base como en variantes de modelos que siguen instrucciones.
• Granite-7b-lab: admite tareas de propósito general y se ajusta utilizando la metodología de alineación de chatbots (LAB) a gran escala de IBM para incorporar nuevas habilidades y conocimientos.

Pruebe nuestros modelos fundacionales de nivel empresarial en watsonx con nuestra nueva demostración de chat de watsonx.ai. Descubra sus capacidades de resumen, generación de contenidos y procesamiento de documentos a través de una interfaz de chat sencilla e intuitiva.