Amplíe los casos de uso de la gestión del conocimiento con la IA generativa

La inteligencia artificial está alterando muchas áreas de negocio diferentes. El potencial de la tecnología es particularmente evidente en el servicio de atención al cliente, el talento y la modernización de aplicaciones. Según el Institute of Business Value (IBV) de IBM, la IA puede contener los casos del centro de contacto, mejorando la experiencia del cliente en un 70 %. Además, la IA puede aumentar la productividad en RR. HH. en un 40 % y en modernización de aplicaciones en un 30 %. Un ejemplo de ello es la reducción de la carga de trabajo mediante la automatización de la asistencia de tickets a través de las operaciones de TI. Aunque estas cifras indican oportunidades de transformación para las empresas, la ampliación y puesta en marcha de la IA ha sido históricamente un reto para las organizaciones.

La IA es tan buena como los datos que la informan y la necesidad de una base de datos adecuada nunca ha sido mayor. 

Con los datos almacenados en nubes y entornos locales, se vuelve difícil acceder a ellos mientras se administra el gobierno y se controlan los costes. Para complicar aún más las cosas, los usos de los datos se han vuelto más variados y las empresas se enfrentan a la gestión de datos complejos o de mala calidad.

Precisamente se realizó un estudio en el que se descubrió que, dentro de las empresas, los científicos de datos dedican el 80 % de su tiempo a limpiar, integrar y preparar datos, tratando con muchos formatos, incluidos documentos, imágenes y vídeos. En general, se pone énfasis en establecer una plataforma de datos confiable e integrada para la IA.

Con acceso a los datos correctos, es más fácil democratizar la IA para todos los usuarios utilizando el poder de los modelos fundacionales para respaldar una amplia gama de tareas. Sin embargo, es importante tener en cuenta las oportunidades y los riesgos de los modelos fundacionales, en particular, la fiabilidad de los modelos para implementar la IA a escala.

La confianza es uno de los principales factores que impiden a las partes interesadas implementar la IA. De hecho, el IBV descubrió que el 67 % de los ejecutivos están preocupados por las posibles responsabilidades de la IA. Las herramientas de IA responsable existentes carecen de capacidad técnica y están restringidas a entornos específicos, lo que significa que los clientes no pueden utilizarlas para gobernar modelos en otras plataformas. Esto es alarmante, teniendo en cuenta que los modelos generativos a menudo producen resultados que contienen lenguaje tóxico, que incluye odio, abuso y blasfemia (HAP), o filtran información personal identificable (PII). Las empresas reciben cada vez más prensa negativa por el uso de la IA, lo que perjudica su reputación. La calidad de los datos afecta en gran medida a la calidad y la utilidad del contenido producido por un modelo de IA, lo que subraya la importancia de abordar los desafíos de los datos.

Una aplicación emergente de la IA generativa es la gestión del conocimiento. Con el poder de la IA, las empresas pueden utilizar herramientas de gestión del conocimiento para recopilar, crear, acceder y compartir datos relevantes para obtener información organizativa. Las aplicaciones de software de gestión del conocimiento suelen implementarse en un sistema centralizado, o base de conocimientos, para dar soporte a los dominios y tareas empresariales, como el talento, el servicio de atención al cliente y la modernización de aplicaciones.

RR. HH., talento e IA

Los departamentos de RR. HH. pueden poner a trabajar la IA a través de tareas como la generación de contenidos, la generación aumentada por recuperación (RAG) y clasificación. La generación de contenidos puede utilizarse para crear rápidamente la descripción de un rol. La generación aumentada por recuperación (RAG) puede ayudar a identificar las competencias necesarias para un puesto basándose en documentos internos de RR. HH. La clasificación puede ayudar a determinar si el solicitante encaja bien en la empresa dada su solicitud. Estas tareas agilizan el tiempo de tramitación desde que una persona presenta su solicitud hasta que recibe una decisión sobre la misma.

Servicio de atención al cliente e IA

Las divisiones de servicio de atención al cliente pueden beneficiarse de la IA mediante el uso de la RAG, el resumen y la clasificación. Por ejemplo, las empresas pueden incorporar un chatbot de atención al cliente en su sitio web que utilice la IA generativa para ser más conversacional y específico del contexto. La generación aumentada por recuperación se puede utilizar para buscar en los documentos internos del conocimiento de la organización para responder a la consulta del cliente y generar un resultado. El resumen puede ayudar a los empleados proporcionándoles una descripción general del problema del cliente y las interacciones previas con la empresa. La clasificación del texto se puede utilizar para clasificar la opinión del cliente. Estas tareas pueden reducir el trabajo manual y, al mismo tiempo, mejorar la atención al cliente y, con suerte, la satisfacción y la retención de los clientes.

Modernización de aplicaciones e IA

La modernización de las aplicaciones también se puede lograr con la ayuda de tareas de resumen y generación de contenido. Con un resumen de los conocimientos y objetivos empresariales de la empresa, los desarrolladores pueden dedicar menos tiempo a aprender esta información necesaria y más tiempo a la codificación. Los trabajadores de TI también pueden crear una solicitud de incidencia resumida para abordar y priorizar rápidamente los problemas encontrados en un ticket de soporte. Otra forma en la que los desarrolladores pueden utilizar la IA generativa es comunicándose con modelos de lenguaje de gran tamaño (LLM) en lenguaje humano y pidiendo al modelo que genere código. Esto puede ayudar al desarrollador a traducir lenguajes de código, resolver errores y reducir el tiempo dedicado a la codificación, lo que permite una ideación más creativa.

Las organizaciones necesitan un lakehouse de datos para abordar los desafíos de datos que conlleva la implementación de un sistema de gestión del conocimiento con IA. Proporciona la combinación de flexibilidad del data lake y rendimiento del almacén de datos para ayudar a escalar la IA. Un lakehouse de datos es un almacén de datos adecuado para su propósito.

Para preparar los datos para la IA, los ingenieros de datos necesitan poder acceder a cualquier tipo de datos en grandes cantidades de fuentes y entornos de nube híbrida desde un único punto de entrada. Un lakehouse de datos con múltiples motores de consulta y almacenamiento puede permitir a los miembros del equipo compartir datos en formatos abiertos. Además, los ingenieros pueden limpiar, transformar y estandarizar los datos para el modelado de IA/ML sin duplicar ni crear canales adicionales. Además, las empresas deberían considerar soluciones fluidas que incorporen IA generativa para ayudar a los ingenieros de datos y a los usuarios no técnicos a descubrir, aumentar y enriquecer fácilmente los datos con el lenguaje natural. Los lakehouses de datos mejoran la eficacia de implementar la IA y la generación de canalizaciones de datos.

Los sistemas de gestión del conocimiento con IA contienen datos confidenciales, como automatizaciones de correo electrónico, traducciones de vídeos de marketing y análisis de transcripciones de call center. Cuando se trata de esta información confidencial, tener acceso a datos seguros se vuelve cada vez más importante. Los clientes necesitan un lakehouse de datos que ofrezca un gobierno centralizado integrado y una aplicación local automatizada de políticas, respaldado por la catalogación de datos, los controles de acceso, la seguridad y la transparencia en el linaje de datos.

A través de estas bases de datos establecidas por una solución de lakehouse de datos, los científicos de datos pueden utilizar con confianza los datos controlados para crear, entrenar, ajustar e implementar modelos de IA, garantizando confianza y fiabilidad.

Como se mencionó anteriormente, los chatbots son una forma popular de sistema de gestión del conocimiento con IA generativa que se utiliza para la experiencia del cliente. Esta aplicación puede producir valor para una empresa, pero también plantea riesgos.

Por ejemplo, un chatbot para una empresa sanitaria puede reducir la carga de trabajo de las enfermeras y mejorar el servicio de atención al cliente respondiendo a preguntas sobre tratamientos utilizando detalles conocidos de interacciones anteriores. Sin embargo, si la calidad de los datos es mala o si se inyectó sesgo en el modelo durante el fine-tuning o el prompt-tuning, es probable que el modelo no sea fiable. Como resultado, el chatbot puede ofrecer una respuesta a un paciente que incluya lenguaje inapropiado o filtre la PII de otro paciente.

Para evitar que se produzca esta situación, las organizaciones necesitan una detección proactiva y la mitigación de sesgos y desviaciones al implementar modelos de IA. Tener una capacidad de filtrado automático de contenido para detectar fugas de HAP y PII reduciría la carga de los validadores de modelos de validar manualmente los modelos para garantizar que eviten el contenido tóxico.

Como se ha dicho, una estrategia de gestión del conocimiento se refiere a la recopilación, creación e intercambio de conocimientos dentro de una organización. A menudo se implementa en un sistema de intercambio de conocimientos que puede compartirse con las partes interesadas para aprender y aprovechar los conocimientos colectivos existentes y las percepciones organizativas. Por ejemplo, una tarea de IA de RAG puede ayudar a identificar las aptitudes necesarias para un puesto de trabajo basándose en documentos internos de RR. HH. o apoyar a un chatbot de atención al cliente a buscar en documentos internos para responder a la consulta de un cliente y generar un resultado a medida.

Cuando busquen implementar modelos de IA generativa, las empresas deben unir fuerzas con un socio de confianza que haya creado o obtenido modelos de calidad a partir de datos de calidad, uno que permita la personalización con datos y objetivos empresariales. 

Para ayudar a nuestros clientes a resolver la gestión del conocimiento, ofrecemos IBM watsonx.ai. Como parte del portfolio de productos de AI de IBM watsonx que reúne las nuevas capacidades de la IA generativa, watsonx.ai se basa en modelos fundacionales y machine learning tradicional en un potente estudio que abarca el ciclo de vida de la IA. Con watsonx.ai, puede entrenar, validar, ajustar e implementar IA generativa, modelos fundacionales y capacidades de machine learning con facilidad y crear aplicaciones de IA en una fracción del tiempo con una fracción de los datos.