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 la concientización básica
• Iniciar proyectos piloto

2

• Modelos adecuados para su propósito en entornos primarios de IA generativa
• Procesos incongruentes
• Documentación inicial
• Reconocer las necesidades de calidad de los datos

• Establecer una estrategia centralizada
• Capacitación básica
• Evaluar los estándares de datos

3

• Aprovechar los datos de toda la empresa en el entorno de IA generativa
• Estándares para toda la organización
• Gobernanza establecida
• 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 para escalar los costos de computación
• Seguimiento de métricas activas
• Evaluación cuantitativa
• Toma de decisiones basada en datos

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

5

• Construir y emplear modelos en distintos entornos de forma segura a costos óptimos
• Refinamiento continuo
• Ciclos de feedback establecidos
• Enfoque proactivo

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

Fase

Capacidades de IA generativa

Madurez de la gobernanza

1

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

No hay gobernanza del ciclo de vida de la IA

2

• Hub de modelos: capacidades básicas de importación de modelos y datos.
• Capacidades de soporte: operaciones básicas de TI 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: despliegue de modelos como servicios API y gestión de políticas de acceso a modelos.
• Personalización del modelo: introducción al ajuste y entrenamiento de modelos para necesidades específicas.
• Ajuste de IA generativa: personalización básica mediante ingeniería rápida y ajuste de modelos.

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

4

• Gobernanza del modelo: abordar riesgos como la introducción de sesgos, el cumplimiento normativo y la adherencia.
• Monitoreo de modelos: capacidades de monitoreo en tiempo real, incluyendo detección de sesgos y detección de HAP.
• Capacidades de las aplicaciones de IA generativa: incorporar funciones avanzadas como orquestación y detección de intenciones.

Validación y supervisión automatizadas

5

• Personalización avanzada de modelos: emplear plataformas en la nube para necesidades dinámicas.
• Monitoreo y seguridad de instrucciones: garantizar que los modelos estén protegidos contra amenazas avanzadas.
• Ajuste avanzado de IA generativa: personalizar de manera exhaustiva de los modelos según la jerga y los procesos específicos de la empresa.
• Desarrollo avanzado de aplicaciones de IA generativa: desarrollo de aplicaciones de IA generativa con todas las características y creación de modelos potenciales desde cero.

Gobernanza totalmente automatizada del ciclo de vida de la IA