Ampliar los casos de uso de gestión del conocimiento con IA generativa

La inteligencia artificial está alterando muchas áreas diferentes de negocio. El potencial de la tecnología es especialmente evidente en la atención al cliente, el talento y la modernización de aplicaciones. Según el Instituto de Valor de Negocios de IBM (IBV), la IA puede contener casos del centro de contacto, mejorando la experiencia del cliente en un 70%. Además, la IA puede aumentar la productividad en Recursos Humanos en un 40% y en la 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. Sin embargo, aunque estas cifras indican oportunidades de transformación para las empresas, la ampliación y puesta en marcha de la IA fue históricamente un reto para las organizaciones.

La IA es tan buena como los datos que la informan, y la necesidad de contar con la base de datos adecuada nunca fue mayor. 

Con los datos almacenados en nubes y entornos locales, se vuelve difícil acceder a ellos mientras se gestiona la gobernanza y se controlan los costos. 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.

Precisely realizó un estudio que encontró que dentro de las empresas, los científicos de datos pasan el 80% de su tiempo limpiando, integrando y preparando datos, tratando con muchos formatos, incluyendo documentos, imágenes y videos. En general, poner 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 desplegar IA a escala.

La confianza es un factor principal que impide que los stakeholders implementen la IA. De hecho, 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 utilizar las herramientas para gobernar modelos en otras plataformas. Esto es alarmante, considerando cómo los modelos generativos a menudo producen resultados que contienen lenguaje tóxico—incluyendo el odio, el abuso y las blasfemias (HAP)—o filtran información de identificación personal (PII). Las empresas reciben cada vez más prensa negativa por el uso de la IA, lo que daña su reputación. La calidad de los datos impacta fuertemente la calidad y la utilidad del contenido producido por modelos de IA, subrayando la importancia de tratar los desafíos de los datos.

Una aplicación emergente de IA generativa es la gestión del conocimiento. Con el poder de la IA, las empresas pueden usar herramientas de administración del conocimiento para recopilar, crear, acceder y compartir datos relevantes para obtener insights organizacionales. Las aplicaciones de software de administración del conocimiento a menudo se implementan en un sistema centralizado, o base de conocimientos, para soportar dominios y tareas del negocio—incluyendo el talento, la atención al cliente y la modernización de aplicaciones.

Recursos Humanos, talento e IA

Los departamentos de Recursos Humanos pueden poner a trabajar la IA a través de tareas como la generación de contenido, la generación aumentada por recuperación (RAG) y la clasificación. La generación de contenido se puede emplear para crear rápidamente la descripción de un rol. La generación aumentada por recuperación (RAG) puede ayudar a identificar las competencias necesarias para un puesto basar en documentos internos de Recursos Humanos. La clasificación puede ayudar a determinar si el solicitante es adecuado para la empresa dada su solicitud. Estas tareas agilizan el tiempo de procesamiento desde que una persona presenta su solicitud hasta que recibe una decisión sobre su solicitud.

Atención al cliente e IA

Las divisiones de atención al cliente pueden aprovechar la IA mediante el uso de RAG, resumen y clasificación. Por ejemplo, las empresas pueden incorporar un chatbot de atención al cliente en su sitio web que utilizaría IA generativa para ser más conversacional y específico del contexto. La generación aumentada por recuperación se puede utilizar para buscar a través de documentos internos de conocimiento organizacional para responder a la consulta del cliente y generar un resultado a medida. El resumen puede ayudar a los empleados al proporcionarles un resumen del problema del cliente y las interacciones anteriores con la empresa. La clasificación de texto se puede utilizar para clasificar el sentimiento del cliente. Estas tareas pueden reducir el trabajo manual al tiempo que mejoran la atención al cliente y, con suerte, la satisfacción y retención del cliente.

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 del conocimiento y los objetivos comerciales de la empresa, los desarrolladores pueden dedicar menos tiempo a aprender esta información necesaria y más tiempo a la programación. Los trabajadores de TI también pueden crear una solicitud de ticket de resumen para tratar y priorizar rápidamente los problemas encontrados en un ticket de soporte. Otra forma en que los desarrolladores pueden utilizar la IA generativa es comunicándose con modelos de lenguaje de gran tamaño (LLM) en lenguaje humano y pidiéndole al modelo que genere código. Esto puede ayudar al desarrollador a traducir lenguajes de código, resolver errores y reducir el tiempo dedicado a la programación, lo que permite una ideación más creativa.

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

Para preparar los datos para la IA, los ingenieros de datos necesitan la capacidad de acceder a cualquier tipo de datos a través de grandes cantidades de fuentes y entornos de nube híbrida desde un único punto de entrada. Un data lakehouse 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 datos para el modelado de IA/ML sin duplicar ni crear pipelines adicionales. Además, las empresas deben considerar soluciones de lakehouse 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 lenguaje natural. Los data lakehouses mejoran la eficiencia de desplegar IA y la generación de pipelines de datos.

Los sistemas de gestión del conocimiento impulsados por IA contienen datos confidenciales, incluyendo automatizaciones de correo electrónico de Recursos Humanos, traducciones de videos de marketing y analytics de transcripciones de centros de atención telefónica. Cuando se trata de esta información confidencial, tener acceso a datos seguros se vuelve cada vez más importante. Los clientes necesitan un data lakehouse que ofrezca gobernanza centralizada integrada y aplicación local automatizada de políticas, respaldada por catalogación de datos, controles de acceso, seguridad y transparencia en el linaje de datos.

A través de estas bases de datos establecidas por una solución de data lakehouse, los científicos de datos pueden usar con confianza los datos gobernados para construir, entrenar, ajustar y desplegar modelos de IA, lo que garantiza la esperanza y la confianza.

Como se mencionó anteriormente, los chatbots son una forma popular de sistema de gestión de conocimiento generativo impulsado por IA que se emplea para la experiencia del cliente. Esta aplicación puede generar valor para una empresa, pero también implica riesgos.

Por ejemplo, un chatbot para una empresa de atención médica puede reducir la carga de trabajo de las enfermeras y mejorar la atención al cliente respondiendo preguntas sobre tratamientos utilizando detalles conocidos de interacciones anteriores. Sin embargo, si la calidad de los datos es deficiente o si se inyectó sesgo en el modelo durante el ajuste o la instrucción de ajuste, es probable que el modelo no sea confiable. 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 esta situación suceda, las organizaciones necesitan detección proactiva y mitigación de sesgos y desviaciones al desplegar 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 indicó, 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 se puede compartir con los stakeholders para aprender y aprovechar el conocimiento colectivo existente y los insights. Por ejemplo, una tarea de IA de RAG puede ayudar a identificar las habilidades necesarias para un puesto de trabajo en función de documentos internos de Recursos Humanos o respaldar un chatbot de atención al cliente para buscar documentos internos para responder a la consulta de un cliente y generar un resultado personalizado.

Al buscar desplegar modelos de IA generativa, las empresas deben unir fuerzas con un socio confiable 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 de la cartera de productos de IA de IBM watsonx que reúne nuevas capacidades de IA generativa, watsonx.ai está impulsado por modelos básicos y machine learning tradicional en un poderoso 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 un fragmento de los datos.