Grandes modelos lingüísticos: 3 ejemplos de problemas que pueden resolver

Los grandes modelos lingüísticos (LLM) están de moda, impulsados por el lanzamiento de ChatGPT, de OpenAI, a finales de 2022, inicialmente impulsado por el LLM GPT-3. Aparte del bombo de las noticias, ¿qué pueden hacer realmente los LLM por su negocio? Aquí veremos tres ejemplos de problemas que pueden resolver. Pero antes, una breve definición de los LLM.

Según Gartner®, “un gran modelo lingüístico (LLM) es un tipo especializado de inteligencia artificial (IA) que ha sido entrenado en grandes cantidades de texto para comprender el contenido existente y generar contenido original”.¹

En función de cómo se amplíe un LLM emparejándolo con otra tecnología, se puede producir una amplia variedad de tipos de contenido, como audio, imágenes, diseños y, probablemente pronto, una lista inagotable de otros tipos de contenido. Pero actualmente, las empresas están descubriendo lo útiles que pueden ser los LLM por sí solos para la creación de artefactos basados en texto.

Según un informe de Gartner®, “La creación de artefactos —la aceleración de los grandes modelos lingüísticos (LLM)—, y de los modelos de fundamentos en general, ha hecho que la contribución de las técnicas de IA alcance una nueva escala en una amplia variedad de contenidos (como texto, audio/visual, activos de programación y datos, diseños y métodos de aprendizaje)”.²

He aquí tres ejemplos de artefactos que pueden ayudar a su empresa a resolver problemas importantes.

Muchas organizaciones tienen una afluencia constante de mensajes de atención al cliente a los que necesitan responder. Especialmente cuando se trabaja en un proceso, un LLM es un copiloto perfecto para ayudar a los representantes de atención al cliente a generar respuestas a estos mensajes. En Appian, una plataforma de IA para la automatización de procesos, un desarrollador de aplicaciones simplemente tiene que colocar un conector en la aplicación para el complemento de la plataforma Azure OpenAI. Este complemento utiliza la copia del correo electrónico del cliente como aviso y genera una respuesta inicial para que el empleado la edite según sea necesario. El desarrollador de la aplicación puede establecer requisitos de tono, longitud, idioma, tipo, etc. para generar rápidamente comunicaciones de correo electrónico sólidas tanto interna como externamente.

Al igual que los demás artefactos producidos por los LLM, los humanos deben mantener el control. Por ejemplo, los expertos deben comprobar si hay “alucinaciones” de la IA y asegurarse de que el tono se ajusta a las normas de la empresa.

Cualquier organización con un gran conjunto de datos podría beneficiarse de un LLM para la gestión del conocimiento. Dado que los LLM pueden entender consultas en lenguaje natural, los empleados podrían teóricamente escribir algo como: “¿Cuál es el pedido mínimo requerido para el envío gratuito?” y recibir una respuesta. Pero la clave aquí es que el LLM debe ser entrenado en el conjunto de datos de su organización en lugar de en un modelo público como ChatGPT, que se nutre de conjuntos de datos públicos. Este concepto de IA privada está en constante desarrollo y mejora, pero es prometedor para las organizaciones que quieren aprovechar los beneficios de la IA sin comprometer sus datos.

Los desarrolladores pueden utilizar los LLM para escribir código. Tradicionalmente, el desarrollo es un proceso largo y costoso, y estos LLM que aumentan la productividad ofrecen a los desarrolladores una forma de avanzar más rápidamente. Y los LLM no solo pueden escribir en lenguajes comunes como HTML o JavaScript. Incluso plataformas como Appian utilizan IA generativa en algunos casos para crear diseños de aplicaciones utilizando SAIL, nuestro sistema de diseño de low-code y marco de interfaz de usuario.

Todos estos ejemplos de LLM resolviendo problemas demuestran que pueden hacer mucho por la productividad, y solo estamos en los albores de esta revolución. Pero para protegerle en el futuro, aquí tiene dos sugerencias que le ayudarán a evitar a su organización costosos problemas más adelante.

La IA puede conllevar riesgos. Preste atención a nuestros consejos para mantenerse a salvo:

• Mantenga la privacidad de sus datos. Tenga cuidado con los modelos de IA que no mantienen la privacidad de sus datos o que los utilizan para entrenar su propio conjunto de datos. Los beneficios pueden merecer la pena ahora, pero existen opciones de IA privada que protegerán sus datos, y también los de sus clientes, para que no esté arriesgando nada de cara al futuro.
• Adopte la IA por eficiencia, no por ella en sí. En lugar de perseguir la IA por ella en sí (a menos, por supuesto, que eso sea lo que hace su empresa), adopte la IA en el contexto de la eficiencia. Esto le ayudará a acercarse a la verdadera operacionalización de la IA en lugar de meterse en callejones sin salida. ¿Cómo podría ser esto? Opte por adoptar un software que ya incorpore la IA en todo lo que hace.