Lo que los directores de sistemas de información (CIO) y directores de tecnología deben considerar antes de adoptar la IA generativa para la modernización de aplicaciones
La implementación de la IA generativa puede parecer un enigma del huevo y la gallina. En una encuesta reciente del IBM Institute for Business Value, el 64 % de los directores ejecutivos (CEO) dijeron que necesitaban modernizar las aplicaciones antes de poder usar la IA generativa. Pero, al mismo tiempo, la IA generativa tiene el poder de transformar el proceso de modernización de aplicaciones a través de la ingeniería inversa de código, la generación de código, la conversión de código de un lenguaje a otro, la definición del flujo de trabajo de modernización y otros procesos automatizados. Así es como los directores de tecnología y los directores de sistemas de información (CIO) pueden evaluar su tecnología y patrimonio de datos, evaluar la oportunidad y trazar un camino a seguir.
Los directores de sistemas de información (CIO) y los directores de tecnología deben:
- Evaluar el nivel de dominio de la nube híbrida de su organización como estrategia de base para la implementación eficaz de la IA generativa
- Evaluar los obstáculos organizacionales y los costos de implementación y de mantener el statu quo
- Sopesar los costos y beneficios de usar modelos grandes de uso general frente a ajustar modelos más pequeños
- Evaluar los factores y costos relacionados con la disponibilidad de datos, la gobernanza, la seguridad y la sustentabilidad
- Trabaje con RR. HH. para poner a las personas en el centro de su estrategia de IA generativa
Durante la última década, IBM ha defendido una estrategia de nube híbrida para respaldar la innovación, la productividad y la eficiencia escalables impulsadas por la IA. Desde nuestra perspectiva, el debate sobre la arquitectura ha terminado. Las organizaciones que han dominado la nube híbrida están bien posicionadas para implementar la IA generativa en toda la organización. La nube híbrida les permite beneficiarse de los potentes modelos de lenguaje de gran tamaño (LLM) de código abierto, utilizar datos públicos y recursos informáticos para entrenar sus propios modelos y afinar sus modelos de forma segura, al mismo tiempo que mantienen la privacidad de sus conocimientos. Además de agregar un enorme valor a la experiencia del cliente y del empleado, a las funciones de RR. HH. y de servicio de atención al cliente, la IA generativa en la nube híbrida brinda a los directores de sistemas de información (CIO) y directores de tecnología una agilidad excepcional para automatizar las operaciones de TI y modernizar las aplicaciones, eliminando potencialmente su deuda técnica y permitiendo una modernización verdaderamente continua.
Incluso para los directores de sistemas de información (CIO) y directores de tecnología que se han comprometido con la nube híbrida, siguen existiendo obstáculos organizacionales para la modernización. En primer lugar, los líderes tecnológicos deben estimar el impacto financiero total de la modernización (versus el costo de no modernizar) en toda la organización. Deben defender la modernización como una iniciativa empresarial, no como un proyecto de TI. Los líderes también deben abordar la brecha de experiencia priorizando el desarrollo de talento y obtener la aceptación cultural de la modernización como una inversión empresarial estratégica y futurista, en lugar de una jugada tecnológica operativa.
A continuación, los líderes deben comprender el valor empresarial que la IA generativa puede aportar a la modernización para entender dónde deben invertir. Según la experiencia de nuestros equipos de IBM Consulting, las organizaciones que acaban de iniciar sus procesos de modernización necesitan una perspectiva sobre el "arte de lo posible" cuando se trata de comprender los beneficios y el valor de la automatización impulsada por la IA. Las organizaciones que están más avanzadas en sus recorridos buscan claridad en torno a los casos de uso en su industria y asistencia para manejar oportunidades únicas.
Dentro de las operaciones de TI, los casos de uso de IA generativa incluyen la clasificación automática de sistemas para cumplir con los objetivos de nivel de servicio; gestionar, comunicar, proporcionar asistencia y resolver consultas y tickets; y detección y gestión de eventos y anomalías. Puede mejorar la automatización de TI creando y ejecutando runbooks y ayudando a los usuarios a hacer la transición a nuevas bases de conocimiento y software. También puede ayudar en la ingeniería de plataformas, por ejemplo, generando pipelines de DevOps y scripts de automatización de middleware.
Se puede decir mucho más sobre las operaciones de TI como base de la modernización. Aquí, priorizamos la discusión de cuatro flujos de trabajo a los que se puede aplicar IA generativa.
- Planificación de la transformación: la IA generativa puede ayudar a definir su flujo de trabajo de modernización a través del resumen, la creación de planes y la generación de arquitectura de referencia como Terraform.
- Ingeniería inversa de código: la IA generativa facilita la ingeniería inversa analizando el código para extraer reglas de negocio y modelos de dominio, generando recomendaciones para mover aplicaciones de arquitectura monolítica a microservicios, e identificando oportunidades de refactorización y contenerización y generando código refactorizado.
- Generación de código: la generación de código ayuda a los líderes de TI a superar los desafíos relacionados con el ancho de banda de los desarrolladores y a optimizar las habilidades de un grupo de talentos limitado. Las tareas altamente repetitivas y manuales se pueden gestionar mediante la generación de código nativo de la nube, desde fragmentos cortos hasta funciones completas. Se puede generar código para el diseño de la interfaz de usuario (IU), la infraestructura, la configuración de contenedor (como Red Hat OpenShift) y los marcos sin servidor (como Knative).
- Conversión de código: la conversión de código es esencial para retener y actualizar aplicaciones heredadas/existentes de misión crítica. La IA generativa permite la automatización de este proceso, por ejemplo, de COBOL a Java, de SOAP a REST y otros lenguajes y entornos.
Los directores de tecnología/directores de sistemas de información (CIO) deben considerar los beneficios rápidos que supone emplear IA generativa dentro de estas funciones. Busque oportunidades relativamente discretas y de bajo riesgo para explorar implementaciones de prueba de concepto. Empiece poco a poco, pruebe y escale.
Seleccionar los modelos fundacionales adecuados desde el principio puede ayudarle a ofrecer resultados más precisos y eficientes para su empresa.
La arquitectura de los transformadores favorece el tamaño: los modelos más grandes producen mejores resultados. Por lo tanto, hay una carrera en la IA generativa para construir modelos fundacionales cada vez más grandes para aplicaciones cada vez más amplias. Pero aunque los modelos más grandes son potentes, un modelo pesado de miles de millones de parámetros puede no ser siempre la mejor opción para una empresa. Un modelo más pequeño que se ha ajustado para una tarea a menudo puede superar a un modelo grande que no se ha ajustado para esa tarea. Estos modelos pueden ejecutarse sobre LLM de uso general con ajustes menores si la base subyacente es apta para el uso empresarial. Por ejemplo, los modelos fundacionales Granite de 13 000 millones de parámetros de IBM, disponibles enla próxima versión de watsonx.ai, son mucho más pequeños que los LLM más grandes (que contienen cientos de miles de millones de parámetros), pero funcionan bien en tareas específicas de la empresa, como el resumen, la respuesta a preguntas y la clasificación, al mismo tiempo que son mucho más eficientes.
Los modelos fundacionales adaptados también permiten a las organizaciones automatizar y acelerar la modernización mediante la generación de fragmentos de código y componentes de aplicaciones, junto con la automatización de las pruebas de aplicaciones. Basándose en los modelos de código integrados en watsonx.ai, IBM watsonx Code Assistant también se puede utilizar para convertir código, por ejemplo, de COBOL a Java. En watsonx Code Assistant, los desarrolladores de todos los niveles de experiencia pueden formular las solicitudes en un lenguaje sencillo y obtener recomendaciones generadas por la IA, o generar código a partir del código fuente existente. watsonx.ai también incluye el acceso al LLM de StarCoder, que se basa en datos con licencia abierta de GitHub. Los desarrolladores pueden aprovechar StarCoder para acelerar la generación de código y aumentar la productividad para la modernización de las aplicaciones y la modernización de la TI.
Más allá del tamaño, al elegir un modelo fundacional, los directores de tecnología también deben considerar los lenguajes naturales y los lenguajes de programación que soporta el modelo y la cantidad de afinación que necesita el modelo.
En la IA generativa, los métodos de cálculo del retorno de la inversión (ROI) no son maduros ni estandarizados y tampoco suelen estar disponibles puntos de referencia comparativos. Para las aplicaciones empresariales, el fine tuning, la ingeniería rápida y la ejecución de cargas de trabajo con uso intensivo de recursos informáticos requieren una inversión significativa.
Hay cuatro factores clave a tener en cuenta al seleccionar y desplegar un modelo, que variarán según el dominio, la industria y el caso de uso. El primer factor de costo es el método de fijación de precios o licencia. Esto se evalúa mediante el uso de API en nubes públicas y nubes gestionadas, y mediante los costos de alojamiento y computación en nubes híbridas y nube privada. El segundo factor de costo es el esfuerzo de desarrollo, que es mayor en las nubes híbridas y la nube privada y se relaciona estrechamente con el tercer factor, la seguridad de los datos empresariales. Por último, considere los impactos potenciales del riesgo de propiedad intelectual y de seguridad, que se reducen en los extremos híbridos y privados de la escala.
La disponibilidad de datos y los factores de gobierno también son consideraciones a la hora de evaluar el retorno de la inversión (ROI). Gracias a la cartera de productos de IA de watsonx, IBM está avanzando significativamente en la entrega de modelos fundacionales dirigidos a las necesidades de los usuarios empresariales: el almacén de datos adaptado proporcionado en watsonx.data, basado en una arquitectura de lakehouse abierta, permite a las empresas personalizar sus modelos dondequiera que residan sus cargas de trabajo. Las herramientas de watsonx.governance también ayudarán a las organizaciones a impulsar de manera eficiente flujos de trabajo responsables, transparentes y explicables en toda la empresa.
A medida que se aceleran las capacidades y los usos de la IA generativa, poner cifras al lado de los beneficios de la ecuación del retorno de la inversión (ROI) puede ser todo un reto. Pero tiene sentido que los directores de sistemas de información (CIO) y los directores de tecnología examinen las muchas formas en las que las organizaciones han creado valor empresarial a partir de la IA tradicional como punto de partida, y extrapolar el valor potencial de sus casos de prueba de IA generativa y sus ganancias rápidas.
Ya sea como parte de programas ESG formales o de misiones corporativas, la sostenibilidad es más que una buena ética: cada vez se reconoce más como un mejor negocio. Las empresas con esfuerzos de sustentabilidad comprometidos y efectivos pueden aumentar el valor empresarial con un mejor rendimiento para los accionistas, el crecimiento de los ingresos y la rentabilidad. Por lo tanto, es aconsejable que los directores de tecnología tengan en cuenta la sostenibilidad en su cálculo de adopción de la IA generativa.
Capacitar, ajustar y ejecutar modelos de IA puede dejar una enorme huella de carbono. Por eso IBM ayuda a adaptar la IA generativa a la compañía con modelos fundacionales fiables, portátiles y energéticamente eficientes. Hacer modelos más pequeños y emplear los recursos informáticos de forma más eficiente puede reducir enormemente los gastos y las emisiones de carbono. IBM Research también está desarrollando tecnologías de formación de modelos más eficientes, como el algoritmo LiGo, que recicla modelos pequeños y los construye a partir de otros más grandes, ahorrando hasta un 70 % del tiempo, el costo y los resultados.
Por último, la implementación eficaz de la IA generativa depende de personas capacitadas y entusiastas. Por lo tanto, los departamentos de recursos humanos deben estar en el centro de la estrategia de su organización. Comience por volver a capacitar a los propios profesionales de RR. HH., que probablemente ya estén utilizando herramientas de contratación impulsadas por IA. A continuación, desarrolle una iniciativa de gestión formal para comunicar dónde se están realizando pruebas y adopción de IA generativa y proporcionar retroalimentación.